Comparative Life Cycle Assessment of educational scenarios in higher education: a french university case study with considerations on Artificial Intelligence

This thesis uses a Life Cycle Assessment (LCA) to quantify the environmental impacts of different university teaching methods: face-to-face, online, and hybrid, adding an explicit Artificial Intelligence (AI) layer to test when generative AI reduces or increases impacts. A functional unit of 25 student hours allows comparison, with harmonized system boundaries covering mobility, campus energy, end-user devices and digital platforms. The study covers two ENSAM campuses: Chambéry and Paris, and presents results using IPCC GWP100, with ReCiPe Midpoint (H) used for cross- checking patterns. The AI layer models inference via energy per token, prompt length, and query frequency, scaled by data-center efficiency and grid carbon intensity; model training is treated as an amortized background value. Sensitivity analyses cover devices usage intensity, allocation policy, and energetic mix. There are three conclusions. First, organization matters more than labels: face-to-face effects are driven by transport and space conditioning; online learning largely avoids these but shifts a small residual share to households and digital use; hybrid works properly when remote days genuinely substitute on-site activity. Second, context matters: under a common approach, Paris outperforms Chambéry in face-to-face and hybrid modes, driven by more public transport usage; moreover, the local energy mix shapes results: where electricity has lower carbon intensity, online mode performs comparatively better. Third, AI is negligible in the face-to-face scenario; in online learning, with moderate usage, it can even be beneficial, as avoided energy (devices/lighting/heating used for shorter periods) can outweigh inference electricity.

Questa tesi utilizza la Life Cycle Assessment (LCA) per quantificare gli impatti ambientali della didattica universitaria nei formati in presenza, online e ibrido, aggiungendo un’analisi dedicata all’Intelligenza Artificiale per verificare quando l’IA generativa riduce o aumenta gli impatti. L’unità funzionale di 25 ore per studente permette il confronto, con confini di sistema che comprendono mobilità, energia del campus, dispositivi elettronici e piattaforme digitali. La ricerca copre due campus di ENSAM: Chambéry e Parigi, e raffigura i risultati utilizzando l'IPCC GWP100, con ReCiPe Midpoint (H) utilizzato per un controllo incrociato degli andamenti. L'analisi IA comprende l'inferenza del modello attraverso energia per token, lunghezza del prompt e frequenza di query, normalizzate dal rendimento del data center; il training è modellato come termine fisso di sfondo, distribuito nel tempo tra gli utenti. Troviamo tre conclusioni. Primo, l'organizzazione vale più delle etichette: l’impatto totale della modalità in presenza è trainato da trasporti e climatizzazione di spazi comuni; l'online elude per lo più questi contributi ma trasferisce una quota residua alle abitazioni e all'uso digitale; l'ibrido funziona bene quando le attività da remoto sostituiscono effettivamente l'attività in sede. Secondo, l'ambiente è cruciale: utilizzando lo stesso approccio, Parigi performa meglio di Chambéry nelle modalità in presenza e ibrida, dovuto ad una più ampia rete di trasporti pubblici nella capitale francese; inoltre, il mix energetico locale incide in modo significativo sull’esito: dove il mix elettrico è meno emissivo, la didattica online risulta relativamente più performante. Terzo, l’AI contribuisce in modo trascurabile nello scenario in presenza; nello scenario a distanza, con impiego moderato, può risultare persino vantaggiosa, perché l’energia evitata (dispositivi/illuminazione/riscaldamento per tempi minori) supera l’elettricità per l’inferenza.