L’IA : l’équation carbone encore irrésolue

L’essor fulgurant de l’intelligence artificielle s’accompagne d’un coût environnemental croissant. Entraîner un grand modèle de langage peut mobiliser des milliers de processeurs pendant plusieurs semaines. Une étude de l’University of Massachusetts Amherst estimait dès 2019 qu’un modèle de traitement du langage pouvait émettre jusqu’à 284 tonnes de CO₂ sur l’ensemble de son cycle d’entraînement, soit l’équivalent d’environ 300 allers-retours Paris–New York en avion pour une personne, sur la base d’une estimation d’environ 1 tonne de CO₂ par vol long-courrier par passager (Agence de la transition écologique).

Depuis, la taille des modèles a été multipliée, tout comme leur usage. Selon le rapport AI Index 2024 de Stanford University (https://aiindex.stanford.edu/report/), 149 modèles d’IA de pointe ont été publiés en 2023. En incluant les modèles non publics et spécialisés développés par les entreprises et les laboratoires, leur nombre se chiffre en réalité en milliers chaque année.

À l’échelle globale, les centres de données représentent environ 1 à 1,5 % de la consommation électrique mondiale, selon l’International Energy Agency, avec une part croissante liée à l’IA. Et certaines projections évoquent un doublement de cette consommation d’ici la fin de la décennie sous l’effet de la généralisation des usages.

Des progrès techniques indéniables ont pourtant été réalisés. Les industriels optimisent leurs modèles (quantization, pruning, distillation), réduisent leur taille et développent des puces spécialisées plus efficaces. Selon NVIDIA, les dernières générations de GPU offrent jusqu’à 20 fois plus de performance énergétique pour certaines tâches d’IA par rapport à la décennie précédente. Parallèlement, les data centers migrent vers des zones à électricité bas carbone, et les technologies de refroidissement (liquide, immersion) permettent de réduire significativement les pertes énergétiques.

Mais ces gains se heurtent à une réalité économique bien connue : l’effet rebond. À mesure que les coûts diminuent et que les performances augmentent, les usages explosent. Le cabinet McKinsey & Company estime que l’IA générative pourrait ajouter jusqu’à 4 400 milliards de dollars de valeur économique annuelle — un signal fort d’adoption massive. Or, plus d’usages signifie plus de requêtes, plus de modèles, et donc plus de calcul.

Dès lors, la question devient stratégique. Toutes les applications justifient-elles le recours à des modèles massifs ? Dans de nombreux cas, des modèles plus légers, spécialisés, suffisent. Des travaux compilés par Stanford University dans son rapport AI Index 2024 (https://aiindex.stanford.edu/report/) montrent que des modèles plus compacts et spécialisés peuvent rivaliser, sur certaines tâches, avec des architectures plus lourdes, pour une fraction des ressources mobilisées.

L’architecture des systèmes est donc déterminante. L’avenir pourrait reposer sur une coexistence entre grands modèles généralistes et une multitude de modèles plus sobres, dédiés à des tâches précises. Cette diversification est un levier essentiel pour contenir l’empreinte globale.

Enfin, une forme de sobriété numérique s’impose. Elle consiste à interroger la pertinence des usages, la fréquence des requêtes, ou encore le choix des infrastructures. Selon l’Agence de la transition écologique, la réduction de l’empreinte numérique passera autant par des choix d’usage que par des innovations technologiques.

Peut-on alors réduire l’impact carbone de l’IA ? Oui, partiellement. Les gains d’efficacité sont réels et nécessaires. Mais sans une maîtrise de la croissance des usages, ils resteront insuffisants. L’enjeu dépasse la seule performance technologique : il engage notre capacité collective à arbitrer entre puissance, utilité et soutenabilité.