Site icon Le blog high-tech & telecom de Xavier Studer

Quelques repères pour un usage «responsable» de l’IA

L'IA consomme beaucoup d'énergie fossile. L'aviation aussi.
L’IA consomme beaucoup d’énergie fossile. L’aviation aussi.

Utiliser l’intelligence artificielle (IA) de manière «responsable» repose avant tout sur un principe simple de sobriété. Il s’agit de réserver ces puissants outils aux tâches à forte valeur ajoutée, en choisissant toujours un modèle proportionné au besoin réel. Une démarche essentielle en pleine urgence climatique.

Selon un guide de la Direction interministérielle du numérique (DINUM) en France et les recommandations de Bruxelles Environnement, l’IA ne doit pas devenir un réflexe pour obtenir une simple définition, un horaire ou une information triviale. On a longtemps avancé qu’une requête auprès d’un assistant IA consommait dix fois plus d’énergie qu’une recherche classique sur internet. Ce rapport repose toutefois sur des estimations anciennes, notamment une consommation de 2,9 Wh pour ChatGPT contre 0,3 Wh pour une recherche Google. Il ne peut pas être généralisé aux modèles actuels.

En août 2025, Google a ainsi estimé à 0,24 Wh la consommation médiane d’une requête textuelle sur Gemini Apps, sur la base de mesures réalisées en mai. Cette estimation inclut plusieurs composantes de l’infrastructure informatique, mais exclut notamment l’entraînement des modèles. La comparaison avec une recherche classique reste délicate, le chiffre de 0,3 Wh pour Google datant lui-même de 2009. Prudence donc avec tous ces chiffres qui donnent toutefois une estimation grossière qu’il faudrait pouvoir auditer de manière indépendante.

Des réflexes simples pour limiter sa consommation

Pour les besoins courants, un moteur de recherche traditionnel, un dictionnaire, voire une calculatrice peuvent suffire. Lorsque le recours à l’IA se justifie, privilégier un modèle léger. Il est aussi possible d’utiliser un programme spécifique directement sur son propre ordinateur, même si cette solution n’est pas toujours simple pour le grand public, comme nous l’avons expérimenté.

Il est essentiel de rédiger d’emblée une consigne complète (prompt), avec le contexte et le format souhaités. Une demande bien construite évite de multiplier les allers-retours inutiles sur les serveurs. Il est également judicieux de regrouper ses questions et de limiter les échanges redondants, sans conserver inutilement de longs historiques qui doivent être retraités. Enfin, mieux vaut réserver la génération d’images ou de vidéos — très gourmande en calcul — à de véritables besoins créatifs ou informatifs.

Des économies réelles dans les coulisses…

Paradoxalement, d’autres formes d’IA permettent déjà d’alléger la facture énergétique des infrastructures numériques. Une synthèse publiée par Corning rappelle notamment que Google a utilisé des algorithmes d’apprentissage automatique pour réduire jusqu’à 40% l’énergie consacrée au refroidissement dans un centre de données expérimental. Ce résultat, annoncé par Google DeepMind en 2016, ne correspond toutefois pas à une économie réalisée sur l’ensemble des installations de l’entreprise.

Plus récemment, Meta a rapporté avoir réduit de 20% en moyenne la consommation énergétique des ventilateurs d’alimentation en air dans une zone pilote de l’un de ses centres de données, grâce à l’apprentissage par renforcement. Ces exemples montrent que l’IA peut aussi contribuer à optimiser les infrastructures qui la font fonctionner.

L’optimisation concerne également la compression vidéo, alors que la vidéo représente plus de 80% du trafic mondial sur internet, selon l’Union internationale des télécommunications. Dans les télécoms, la gestion intelligente des ressources radio et des antennes permet en outre de mieux exploiter les sites existants et d’augmenter leur capacité sans devoir immédiatement en déployer de nouveaux.

Le paradoxe de l’effet rebond

Ces avancées techniques ne suffisent toutefois pas à compenser l’explosion mondiale des usages, un phénomène bien connu sous le nom d’effet rebond. Plus les centres de données gagnent en efficacité, plus cette capacité supplémentaire peut être absorbée par de nouveaux usages, notamment l’entraînement et l’exploitation de modèles toujours plus vastes.

Pour y voir clair, les analyses transparentes restent indispensables, à l’image du bilan environnemental complet d’un grand modèle de langage de Mistral AI, réalisé par Carbone 4 avec le soutien de l’Agence de la transition écologique (ADEME) et publié en juillet 2025. Cette analyse de cycle de vie prend notamment en compte la fabrication du matériel, l’entraînement et l’utilisation du modèle.

En août 2025, Google a pour sa part estimé la consommation médiane d’une requête textuelle sur Gemini à 0,24 Wh. Ce chiffre, relativement bas, ne doit cependant pas faire oublier les limites du périmètre retenu: il concerne l’utilisation du service et non l’ensemble du cycle de vie des modèles. Prudence, prudence!

L’exemple d’un vol Genève–Fuerteventura

Pour mettre en perspective la consommation de l’IA, prenons un trajet aérien entre Genève et Fuerteventura, soit 2’636 kilomètres selon SWISS. Pour établir un ordre de grandeur, retenons une consommation moyenne de 3,2 litres de kérosène aux 100 kilomètres par passager, valeur publiée par SWISS dans son rapport environnemental 2024. Un aller simple représente ainsi environ 85 litres de carburant par passager, soit quelque 850 kilowattheures d’énergie, chaque litre renfermant approximativement 10 kilowattheures.

Un seul aller simple vers les Canaries équivaut donc, en énergie, à près de 3,5 millions de requêtes textuelles médianes sur Gemini ou à plus de 1,3 million d’images générées par Stable Diffusion 3. Les chiffres sont tout aussi parlants pour les résumés de documents ou les vidéos générées. Ils doublent évidemment pour un aller-retour. À l’échelle individuelle, l’avion mobilise donc bien davantage d’énergie qu’un usage quotidien de l’IA textuelle, même si l’addition collective de milliards de requêtes mondiales impose plus que jamais de garder la mesure.

Telle est ma réponse aux internautes me reprochant de générer des images avec de l’IA pour illustrer cette colonne. CQFD.

XS

Équivalences énergétiques d’un vol Genève–Fuerteventura.


Sources et périmètres

Google, mesure de Gemini (2025)
MIT Technology Review, estimation de Stable Diffusion 3 Medium (2025)
Projet Celsius, estimation d’un résumé de 30 pages
Hugging Face, mesures de génération vidéo.

Quitter la version mobile