Vous est-il déjà arrivé de taper quelque chose de simple dans ChatGPT, comme « Peux-tu m’expliquer ce terme, s’il te plaît ? » ou « Qu’est-ce que je pourrais cuisiner ce soir ? », puis d’appuyer sur « Entrée » sans y penser une seconde ? La plupart d’entre nous le font des dizaines de fois par semaine. Parfois par curiosité. Parfois par ennui. Parfois simplement parce que l’IA est devenue quelque chose de… disons, banal. Mais voilà le problème : derrière cette sympathique fenêtre de discussion se cache une immense chaîne de serveurs, de centres de données, de systèmes de refroidissement et de réseaux électriques qui s’activent chaque fois que vous envoyez un message. Le geste paraît sans poids, mais il ne l’est pas. Loin de là.

Et plus l’IA s’installe dans notre quotidien, plus il devient important de comprendre ce qui se passe en coulisses. Si l’IA offre des outils puissants pour rendre des systèmes plus efficaces et, peut-être, résoudre des problèmes de durabilité, son propre développement et son déploiement ont un coût environnemental considérable.

Ce qui se passe quand vous envoyez une requête

L’IA a de nombreux effets différents sur l’environnement. Ils se répartissent entre deux grandes phases : l’entraînement et l’inférence. Si l’entraînement d’un modèle de pointe exige un investissement énergétique important mais ponctuel, le coût cumulé de l’inférence, c’est-à-dire l’exécution du modèle pour des milliards de requêtes d’utilisateurs chaque jour, est largement reconnu comme le principal moteur à long terme de l’empreinte environnementale de l’IA. Ce changement de perspective est déterminant pour la comptabilité ESG, car il fait passer l’impact de l’IA d’un coût d’investissement ponctuel à un coût d’exploitation continu.

Effet des différents modèles sur l’écologie

Et oui, cette petite question anodine du type « Tu connais une bonne recette de pâtes ? » peut consommer autant d’énergie qu’environ 5 minutes de recharge d’un smartphone (en supposant qu’un téléphone en charge consomme 5 Wh).

Un seul cycle d’entraînement d’un modèle comme Llama 3.1 émet autant de CO2 que des milliers de vols aller-retour, mais l’empreinte quotidienne de l’inférence d’une plateforme comme ChatGPT, avec plus de 2 milliards de requêtes par jour, dépasse vite ce coût ponctuel. Un scénario extrapolé pour GPT-4o, sur la base de 772 milliards de requêtes par an, prévoit une consommation d’énergie annuelle comprise entre 391 509 et 463 269 MWh, soit davantage que la consommation électrique annuelle de 35 000 foyers américains. On voit qu’à mesure que les services d’IA deviennent omniprésents, leur empreinte opérationnelle devient la principale préoccupation.

Au-delà de l’électricité, la soif d’eau de l’IA représente un passif environnemental important et souvent passé sous silence. Les centres de données ont besoin de grandes quantités d’eau douce pour refroidir les serveurs puissants qui font tourner les charges de travail d’IA, et cette demande met sous pression les ressources en eau locales, surtout dans les régions arides. La quantité d’eau utilisée est stupéfiante. L’entraînement de GPT-3 à lui seul a nécessité plus de 700 000 litres d’eau douce sur site, un chiffre qui monte à 5,4 millions de litres si l’on inclut l’eau utilisée pour produire l’électricité nécessaire (scope 2). Les prélèvements d’eau liés à l’IA devraient atteindre au total 4,2 à 6,6 milliards de mètres cubes par an d’ici 2027, soit plus de la moitié de la demande annuelle en eau douce du Royaume-Uni. Même une activité modeste, comme poser 20 à 50 questions à ChatGPT, peut consommer environ 500 ml d’eau.

Mais le vrai problème : nous ignorons ces coûts

La plupart des gens ne se rendent pas compte de ce qui se cache derrière une simple requête. Non par négligence, mais parce qu’aucune plateforme n’affiche d’indicateur énergétique. Vous ne voyez jamais : « La blague que vous avez demandée a consommé 0,42 Wh d’électricité. » Cette « explosion des requêtes » est le produit de la conception des interfaces :

● Les chatbots d’IA incitent à discuter sans s’arrêter.

● Les outils complètent, suggèrent, reformulent et réécrivent sans fin.

● Beaucoup d’interactions remplacent des tâches pour lesquelles il existait déjà des solutions efficaces.

L’une des stratégies les plus efficaces pour réduire l’empreinte environnementale de l’IA consiste à adapter le modèle à la tâche. Il est extrêmement inefficace d’utiliser un grand modèle de langage (LLM) généraliste pour des activités simples et répétitives. Des modèles plus petits et spécialisés (SLM) accomplissent ces tâches avec une précision comparable, pour une fraction de l’énergie. Une part importante de l’empreinte d’inférence de l’IA provient de l’accumulation de requêtes « triviales » ou de faible valeur, comme de simples salutations ou des demandes qui relèveraient plutôt d’un moteur de recherche. Des études suggèrent que des incitations discrètes dans l’expérience utilisateur (UX), des limites de fréquence ou des quotas pourraient réduire ces requêtes de 5 à 20 %. Une baisse de 10 % des requêtes quotidiennes adressées à ChatGPT permettrait d’économiser assez d’électricité pour alimenter 3 500 foyers américains pendant un an.

Un routage plus intelligent peut être mis en place à l’intérieur des modèles d’IA. Toutes les requêtes n’exigent pas un modèle géant : des modèles légers peuvent répondre à environ 60 % d’entre elles. Et une simple matrice de décision peut orienter les développeurs vers des choix plus durables :

● La tâche est-elle très spécifique et répétitive (par exemple traduction, résumé, analyse de sentiment) ? → Choisir par défaut un SLM pré-entraîné et affiné.

● La tâche est-elle complexe, avec un raisonnement en plusieurs étapes, de la créativité ou une vaste connaissance du monde ? → Envisager un LLM, mais commencer par la plus petite version viable (par exemple un modèle de 7 ou 13 milliards de paramètres) avant de monter en taille.

● La latence ou le déploiement sur l’appareil sont-ils décisifs ? → Un SLM est presque toujours le meilleur choix, grâce à sa taille réduite et à son temps d’inférence plus court.

Pour les tâches courantes, les SLM sont plus qu’une solution viable. Ils sont le choix durable par défaut. Les organisations peuvent réaliser des économies d’énergie considérables en adoptant un cadre de décision qui retient par défaut le plus petit modèle efficace pour une tâche donnée.

Des applications de l’IA bénéfiques pour le climat

Si l’empreinte propre de l’IA est très préoccupante, l’IA a aussi un potentiel unique pour résoudre des problèmes environnementaux complexes et produire un impact net positif. Bien ciblée, elle peut améliorer l’efficacité des systèmes pour réduire la consommation d’énergie, limiter les déchets et renforcer la résilience climatique, avec souvent un retour sur son propre investissement carbone qui se mesure en jours ou en semaines.

● Google DeepMind a contribué à réduire jusqu’à 40 % l’énergie de refroidissement dans certains centres de données.

● Les prévisions fondées sur l’IA améliorent l’intégration des énergies renouvelables.

● Les systèmes d’agriculture de précision fondés sur l’IA réduisent l’usage d’engrais et le gaspillage d’eau.

● L’IA rationalise les chaînes d’approvisionnement et réduit la consommation de carburant dans la logistique.

Dans de nombreux scénarios, les émissions que l’IA permet d’éviter peuvent dépasser celles qu’exige son fonctionnement, si elle est utilisée correctement.

L’IA n’est donc pas le grand méchant. C’est une ressource qui consomme plus d’énergie que la plupart des gens ne l’imaginent, mais qui peut aussi réduire activement les émissions dans des secteurs à fort impact. Comme le disait Paracelse : « Seule la dose fait qu’une chose n’est pas un poison. » L’IA est un outil puissant, à utiliser avec sagesse, à concevoir avec soin et dont il faut attendre des résultats raisonnables. Le vrai défi ne tient pas aux requêtes individuelles. Il tient au glissement collectif vers des millions de petites interactions inutiles. Une requête superflue ne pèse rien. Mais des milliards ? C’est une tendance qui a déjà un effet réel. Et pour la changer, nous devons concevoir de nouveaux systèmes et de nouvelles habitudes, en prenant conscience de notre propre empreinte et en faisant des choix plus réfléchis.

Et plus tôt nous porterons ce sujet devant le public, plus nous pourrons construire de manière responsable la prochaine génération de technologies, au bénéfice des personnes comme de l’environnement.