Les chiffres sur la consommation énergétique IA circulent avec une assurance inversement proportionnelle à leur solidité. On lit qu'une requête consomme dix fois une recherche web, qu'entraîner un modèle équivaut à tant de vols transatlantiques, qu'un centre de données boit tant de litres d'eau. Certains de ces chiffres reposent sur des mesures publiées. D'autres sont des extrapolations d'extrapolations.
Le problème n'est pas que ces ordres de grandeur soient tous faux. C'est qu'ils additionnent des postes qui n'ont rien à voir entre eux : l'entraînement d'un modèle, son utilisation quotidienne, et la fabrication du matériel qui le fait tourner. Ces trois postes se mesurent différemment, se répartissent différemment dans le temps, et n'engagent pas les mêmes acteurs.
Cet article trie. Ce qui est mesuré et publié, ce qui est estimé avec une méthode défendable, ce qui relève de la conjecture. À la fin, quelques ordres de grandeur utilisables pour un bilan d'entreprise, avec leurs marges d'incertitude annoncées honnêtement.
Consommation énergétique IA : trois postes qu'il faut cesser de confondre
Toute discussion sur l'impact environnemental de l'intelligence artificielle gagne à commencer par cette séparation.
- L'entraînement. Un coût unique, très concentré, supporté par celui qui construit le modèle. Il se compte en mégawattheures, parfois en gigawattheures pour les plus gros modèles.
- L'inférence. Le coût de chaque utilisation, minuscule à l'unité, gigantesque une fois multiplié par des milliards de requêtes. C'est le poste qui domine sur la durée de vie d'un modèle largement utilisé.
- Le matériel et l'infrastructure. Fabrication des puces, des serveurs, construction du bâtiment, systèmes de refroidissement. Ce poste, souvent appelé impact incorporé, ne dépend pas de l'usage.
Une erreur classique consiste à comparer l'entraînement d'un modèle au coût d'usage d'un autre, ou à ignorer complètement le troisième poste. Selon les analyses publiées par les acteurs qui mesurent, la part de l'inférence dans le total du cycle de vie d'un modèle en production dépasse largement celle de l'entraînement, souvent dans un rapport de plusieurs pour un. Autrement dit : le chiffre spectaculaire de l'entraînement est le moins pertinent pour raisonner sur l'usage.
Ce qui est réellement mesuré
La quantité d'énergie consommée par un calcul se mesure sans difficulté technique. Le problème est l'accès à la mesure.
Mesurable et publié
Trois choses sont connues avec une bonne fiabilité :
- La consommation électrique globale des centres de données. Les agences énergétiques publient des estimations cohérentes entre elles, avec un ordre de grandeur situé autour de 1 à 2 % de l'électricité mondiale, la part attribuable à l'intelligence artificielle restant une fraction de ce total, en croissance rapide.
- L'efficacité d'un centre de données, exprimée par l'indicateur d'efficacité énergétique, qui rapporte l'énergie totale du site à celle consommée par les équipements informatiques. Les installations récentes annoncent des valeurs comprises entre 1,1 et 1,3, contre 1,5 à 2 pour les salles anciennes.
- L'intensité carbone du réseau électrique, publiée par les gestionnaires de réseau, souvent au pas horaire. C'est le facteur qui varie le plus : entre un réseau très carboné et un réseau largement décarboné, l'écart va de un à dix pour la même consommation.
Mesurable mais rarement publié
La consommation d'un entraînement précis, ou celle d'une requête sur un service commercial, est parfaitement mesurable par l'opérateur. Elle est presque toujours gardée confidentielle, parce qu'elle révèle la taille du modèle et le coût d'exploitation. Les publications académiques qui donnent ces chiffres portent sur des modèles dont les auteurs ont accepté de documenter le calcul, ce qui introduit un biais de sélection évident.
Estimé, avec des marges larges
Tout le reste. L'empreinte de fabrication d'une puce, la consommation d'eau d'un site, la répartition entre entraînement et inférence chez un fournisseur donné : ce sont des reconstructions à partir de données partielles. Les fourchettes publiées varient couramment d'un facteur trois à cinq selon les hypothèses retenues.
Des ordres de grandeur utilisables, avec leurs incertitudes
Pour un bilan d'entreprise, ce qui compte n'est pas le chiffre absolu mais la capacité à situer un poste par rapport aux autres. Voici des repères défendables, à condition d'annoncer leur incertitude.
| Poste | Ordre de grandeur | Fiabilité |
|---|---|---|
| Requête texte courte sur un modèle de taille moyenne | Quelques dixièmes à quelques wattheures | Moyenne : dépend fortement de la taille du modèle et de la longueur de la réponse |
| Génération d'une image | Un à deux ordres de grandeur au dessus d'une requête texte | Moyenne |
| Entraînement d'un grand modèle généraliste | Plusieurs centaines à plusieurs milliers de mégawattheures | Faible pour les modèles récents non documentés |
| Fabrication du matériel | De 10 à 40 % de l'empreinte totale sur le cycle de vie d'un serveur | Faible à moyenne, très dépendante des hypothèses |
| Intensité carbone selon le pays d'hébergement | Facteur 1 à 10 pour une même consommation | Bonne : donnée publiée par les gestionnaires de réseau |
La dernière ligne est de loin la plus actionnable. Le levier de réduction le plus puissant dont dispose une entreprise utilisatrice n'est pas de faire moins de requêtes : c'est de choisir où elles s'exécutent. Un même traitement peut voir son empreinte carbone divisée par plusieurs selon la localisation du centre de données, sujet que nous abordons sous l'angle de la souveraineté et de la conformité dans héberger son IA en France.
Le piège de la comparaison isolée
Comparer une requête à une recherche web ou à une ampoule allumée n'a de sens que si la comparaison porte sur le service rendu. Si une requête remplace vingt minutes de recherche documentaire sur un poste de travail, le bilan net peut être favorable. S'il s'y ajoute sans rien remplacer, il est purement additionnel. Cette question du service rendu est presque toujours absente des comparaisons qui circulent, et elle en change pourtant le sens.
Ce qu'une entreprise utilisatrice peut réellement calculer
Une organisation qui utilise des modèles via des interfaces tierces ne mesure pas sa consommation : elle mesure son volume d'usage et applique des facteurs. C'est acceptable à condition d'être transparent sur la méthode.
- Comptez les unités de traitement, c'est à dire les jetons consommés en entrée et en sortie. Cette donnée est disponible dans les relevés de facturation, et elle est exacte. Sa lecture est détaillée dans notre article sur le coût du jeton et la facture d'une interface d'IA.
- Appliquez un facteur énergétique par jeton, tiré d'une source publiée, en documentant laquelle. Retenez une fourchette basse et une fourchette haute plutôt qu'une valeur unique.
- Multipliez par l'intensité carbone de la région d'hébergement déclarée par votre fournisseur.
- Ajoutez une ligne d'incertitude explicite, typiquement un facteur deux à trois. Un bilan qui annonce sa marge est plus crédible qu'un bilan précis au gramme près.
- Ne comptabilisez pas l'entraînement dans votre bilan d'usage, sauf si vous entraînez vous même. Il relève du fournisseur, et le répartir sur les utilisateurs suppose des hypothèses invérifiables.
Cette méthode ne donnera jamais un chiffre juste. Elle donne un chiffre comparable d'une année sur l'autre, ce qui est le seul usage réellement utile d'un bilan : suivre une trajectoire.
Les leviers de réduction, classés par efficacité
Une fois l'ordre de grandeur posé, quatre leviers ressortent, du plus au moins efficace :
- Choisir la taille de modèle adaptée à la tâche. C'est le levier le plus puissant et le plus négligé. Un classement de courriels ne demande pas le modèle le plus capable du catalogue. Le rapport de consommation entre un petit modèle spécialisé et un grand modèle généraliste se compte en dizaines. Notre grille de choix d'un modèle IA aide à cet arbitrage.
- Localiser les traitements sur un réseau électrique peu carboné. Effet immédiat, aucune contrepartie fonctionnelle.
- Éviter les appels inutiles. Mise en cache des réponses répétitives, suppression des relances automatiques, arrêt des traitements par lot sur des données qui n'ont pas changé. Beaucoup d'usages en production rejouent chaque nuit des calculs identiques.
- Raccourcir les contextes. Envoyer systématiquement des documents entiers là où quelques extraits suffisent multiplie la consommation par un facteur significatif, à qualité de réponse égale.
On remarquera que ces quatre leviers réduisent aussi la facture, dans les mêmes proportions. C'est une convergence rare, et un bon argument interne : sur ce sujet, l'optimisation économique et l'optimisation énergétique pointent dans la même direction.
Ce qu'il faut retenir avant de citer un chiffre
Trois questions à se poser devant n'importe quelle affirmation sur l'empreinte carbone de l'IA : de quel poste parle t on, entraînement, inférence ou matériel ? La valeur est elle mesurée ou reconstruite ? Et quelle est la marge d'incertitude annoncée ?
Si les trois réponses ne sont pas disponibles, le chiffre n'est pas utilisable dans un rapport. Cela n'en fait pas un mensonge, mais un ordre de grandeur de discussion, et il faut le présenter comme tel. Sur un sujet où les données publiques restent lacunaires, la rigueur méthodologique vaut mieux que la précision affichée : un bilan honnête avec ses marges résiste à l'examen, un chiffre net sans source ne survit pas à la première question.
Laisser un commentaire