Un produit numérique unique peut avoir une empreinte environnementale plus faible que son équivalent physique (pensez par exemple aux documents papier remplacés par des contrats signés numériquement). Toutefois, les services numériques sont utilisés à une tout autre échelle, ce qui rend les comparaisons moins évidentes. Nous pouvons effectuer des centaines de recherches par jour, discuter avec des bots et demander des modifications mineures sur des images générées. Les nouvelles capacités apportées par des technologies comme l’IA créent de nouveaux usages, qui font mécaniquement augmenter le volume global d’utilisation.
C'est un exemple typique de ce qu'on appelle le paradoxe de Jevons. Lorsqu'un processus gagne en efficacité et en rationalisation, on a tendance à l'utiliser beaucoup plus, et non moins. Ainsi, plus les modèles d’IA deviennent simples d’accès, rapides et peu coûteux à utiliser (sur le plan strictement financier, nous y reviendrons), plus nous y recourons fréquemment, au point d’annuler les gains d’efficacité et d’augmenter le coût global plutôt que de le réduire. Si le coût financier était le seul enjeu, le problème serait moindre. Il est important de comprendre que l’IA entraîne des coûts environnementaux significatifs, que nous devons apprendre à réduire, de la même manière que nous cherchons à diminuer les émissions et les déchets liés à toutes les autres activités des individus et des organisations.
Infrastructure, entraînement et inférence : d’où viennent réellement les impacts environnementaux de l’IA ?
L'empreinte environnementale des modèles et des outils d'IA ne se limite pas à la consommation d'énergie. Comme pour toute technologie numérique, nous devons examiner chaque étape de ce qu'on appelle le cycle de vie, ainsi que les ressources nécessaires au bon fonctionnement d'un service donné. Les organisations de la société civile (OSC) sont le plus souvent utilisatrices plutôt que créatrices de technologies et de services numériques. Pour faire des choix éclairés en matière de produits et de services, il est utile de comprendre comment ils sont créés et comment ils fonctionnent dans un contexte plus large que ce qui s'affiche simplement sur nos écrans.
De l'extraction des matières premières à la fabrication de matériel informatique
Avant qu'une entreprise puisse entraîner un nouveau modèle d'IA ou lancer un service basé sur l'IA dans des centres de données, il faut d'abord mettre en place le matériel sur lequel se déroulera l'entraînement — et sur lequel le modèle fonctionnera par la suite. La fabrication de processeurs graphiques (GPU) est extrêmement gourmande en ressources : une usine de fabrication de semi-conducteurs consomme environ 38 millions de litres d'eau par jour pour produire l'eau ultra-pure nécessaire à la fabrication des puces. À cela s'ajoutent l'extraction des métaux des terres rares (qui entraîne souvent de graves conséquences environnementales au niveau local, telles que la contamination des sols et des nappes phréatiques), le transport et la construction physique des centres de données eux-mêmes. Cet aspect de l'empreinte environnementale de l'IA est rarement abordé dans le débat public. C’est plus difficile à mesurer que la consommation d’énergie, et cela nous oblige à prendre en compte les coûts éthiques de l’IA, notamment les impacts sur la vie et la santé des personnes qui vivent ou travaillent à proximité des sites liés à l’extraction minière ou à la construction de centres de données.
Le revers de la médaille, ce sont les déchets électroniques. La pression incessante en faveur d'un matériel toujours plus puissant réduit la durée de vie de nombreux appareils. On estime que l’IA pourrait générer entre 1,2 et 5 millions de tonnes supplémentaires de déchets électroniques. Par ailleurs, la production mondiale de déchets électroniques augmente cinq fois plus vite que les capacités de recyclage, et une part importante finit dans des décharges situées dans les pays en développement, où des substances telles que le mercure, l’arsenic et le plomb s’infiltrent dans les écosystèmes locaux.
Entraînement du modèle
L'entraînement d'un grand modèle de langage (LLM) consomme une quantité considérable d'énergie. L'entraînement de GPT-4 a nécessité environ 25 000 processeurs graphiques fonctionnant pendant 90 à 100 jours. La consommation d'énergie estimée se situait entre 51 000 et 62 000 MWh, soit plus de 40 fois l'énergie nécessaire pour entraîner le modèle précédent, GPT-3. Cela équivaut à la consommation énergétique de 1 000 foyers américains sur une période de cinq à six ans. Si de nombreux modèles gagnent en puissance à chaque nouvelle version (comme c'est le cas pour la famille GPT), de nombreuses entreprises s'efforcent d'optimiser ce processus (le lancement du modèle chinois DeepSeek fin 2024 en est un exemple très médiatisé) ou développent des modèles bien plus efficaces, adaptés à des tâches spécifiques ou à du matériel moins puissant. On les appelle des petits modèles de langage.
Inférence (exécution du modèle)
Si l'entraînement retient l'attention en raison de son ampleur, c'est l'inférence, qui génère des réponses à des millions de requêtes d'utilisateurs, qui représente le principal coût environnemental permanent de l'IA. À une échelle d'un milliard de requêtes par jour, même un modèle très efficace ne consommant que 0,42 Wh par requête courte génère une consommation d'énergie annuelle cumulée comparable à celle de 35 000 foyers aux États-Unis.
Les différences entre les modèles sont considérables, et la plupart des données, publiées de manière très sélective par les entreprises spécialisées dans l'IA, concernent les modèles textuels. La génération d'images et de vidéos est nettement plus coûteuse et plus gourmande en énergie.
Le travail humain dans la chaîne d'approvisionnement de l'IA
Si l'on adopte une vision large du terme « environnement », qui englobe les répercussions sur la santé humaine, alors, au-delà de la pollution déjà mentionnée, il faut également parler des personnes qui évaluent, filtrent et affinent les modèles d'IA. Ce processus comprend l’annotation des données d’entraînement, l’évaluation des réponses générées par le modèle et le filtrage des contenus problématiques — une méthode appelée RLHF (reinforcement learning from human feedback, c’est-à-dire apprentissage par renforcement fondé sur les retours humains). Ce travail mal rémunéré est délibérément maintenu dans l'ombre, externalisé vers de grands sous-traitants opérant dans des pays où la protection des travailleurs est faible, comme le Kenya, l’Ouganda ou l’Inde. Les répercussions sur la santé mentale sont comparables à celles auxquelles sont confrontés les modérateurs de contenu sur les réseaux sociaux, qui sont exposés à des contenus violents et perturbants afin de les filtrer avant qu'ils n'atteignent les utilisateurs.
Comment choisir des outils et des modèles d'IA sous l'angle du coût environnemental
Nous pouvons réduire l'impact environnemental lié à l'utilisation de n'importe quelle technologie numérique. Mais il faut bien distinguer les actions qui ont un impact systémique, celles qui relèvent de choix individuels et celles qui risquent de relever du greenwashing (écoblanchiment), c'est-à-dire des gestes superficiels ou exagérés visant à donner l'impression d'une responsabilité environnementale.
En tant qu'organisations, nous n'avons pas notre mot à dire sur la manière dont les modèles sont élaborés, mais nous pouvons choisir ceux que nous utilisons. L’accès à des données fiables sur leurs coûts environnementaux et leur efficacité énergétique doit constituer le socle de ces décisions. Pour l'instant, toutefois, ces informations restent limitées. Au-delà du simple recours aux données, nous devons également apprendre à utiliser l'IA de manière réfléchie et modérée. À l'heure actuelle, de nombreux particuliers et organisations ont recours à l'IA (en particulier à l'IA générative) pour des tâches pour lesquelles elle n'est pas forcément la solution la plus adaptée. Il convient de distinguer quelques technologies clés de l'IA qui revêtent une importance particulière du point de vue des coûts environnementaux :
Les LLM (grands modèles de langage) sont des familles de modèles telles que GPT, Claude, Gemini et DeepSeek. Entraînés sur des centaines de milliards de paramètres, ils fonctionnent sur les serveurs de grandes entreprises technologiques. Le coût de l'entraînement est astronomique, mais il est réparti entre des millions d'utilisateurs. L'accès s'effectue via une interface en ligne (sites web et applications mobiles) ou via une API pour les outils personnalisés (comme la connexion d'un modèle d'IA à un système CRM), ce qui signifie que chaque requête transite par un centre de données externe. Ces modèles sont très performants, mais pour des tâches simples, ils peuvent consommer plus de ressources que nécessaire — par exemple, lorsqu'on pose à un chatbot une question à laquelle une simple recherche sur un moteur de recherche apporterait tout aussi bien la réponse.
Les SLM (petits modèles de langage) sont des modèles tels que Mistral Small 24B, Phi-4 14B ou Gemma 2B. Ils comportent moins de paramètres, s'exécutent plus rapidement et peuvent être déployés localement — sur un ordinateur portable, sur le serveur d'une entreprise et, dans certains cas, même sur un smartphone. Pour de nombreuses tâches courantes, telles que le classement de documents, la synthèse et la réponse à des questions issues de la base de connaissances interne d'une organisation, ils sont tout à fait suffisants. Vous pouvez tester ces modèles à l'aide d'outils tels que LM Studio ou Ollama.
Les modèles à poids ouverts (open-weight), tels que Llama, Qwen et Mistral, mettent leurs paramètres à disposition et peuvent être déployés localement. Outre le fait de permettre aux organisations de contrôler où et quand le modèle est utilisé, celles qui ont besoin de solutions plus personnalisées peuvent adapter ce modèle à leurs besoins spécifiques.
Voici quelques exemples concrets illustrant comment adapter les outils d'IA à la tâche à accomplir :
Les tâches et requêtes répétitives, notamment la recherche documentaire et la réponse à des questions fondées sur les contenus internes, peuvent être confiées à un modèle local exécuté sur l’infrastructure de l’organisation, reposant sur une base de connaissances définie. Ces systèmes sont désignés sous le terme RAG (retrieval-augmented generation, génération augmentée par récupération).
Transcrire un enregistrement : cela ne nécessite pas de faire appel à un gros modèle de langage basé sur le cloud comme ChatGPT ou Gemini, qui consommerait bien plus de ressources qu’un outil fonctionnant en local, tel que OpenWhispr.
Pour contrôler un ordinateur à la voix - une pratique que les développeurs de grands modèles d'IA commerciaux encouragent activement - vous pouvez utiliser un outil local et open source tel que Handy.
Pour la révision et la relecture de textes : les petits modèles de langage fonctionnant en local donnent de bons résultats et ne nécessitent aucune connexion Internet.
Le choix d'un modèle plus petit ou spécialisé pour une tâche spécifique peut réduire considérablement l'empreinte environnementale de l'utilisation de l'IA au sein d'une organisation. Les modèles locaux sont bénéfiques pour l'environnement lorsqu'ils fonctionnent sur du matériel suffisamment performant, ou lorsque l'alternative consiste à recourir de manière intensive à un grand modèle commercial pour des tâches qu'un petit modèle pourrait tout aussi bien accomplir. Un autre avantage des modèles locaux réside dans le fait qu'ils permettent de mieux contrôler le moment où ils s'exécutent réellement : de nombreux services d'IA, en particulier ceux intégrés aux suites bureautiques, s'exécutent en arrière-plan même lorsque vous n'en avez pas besoin.
Dans de nombreux cas, cependant, le moyen le plus efficace de réduire l'empreinte environnementale de l'IA consiste tout simplement à ne pas y avoir recours, ou à accomplir la tâche de manière traditionnelle. Pour réaliser une vidéo multilingue, par exemple, il suffit généralement d'ajouter des sous-titres classiques ou, tout au plus, d'enregistrer et de doubler une nouvelle piste audio. La génération de vidéos IA entièrement distinctes pour chaque langue, impliquant le clonage puis la régénération de la vidéo et de la voix, sera dans de nombreux cas superflue et peu efficiente.
Préparer l'avenir
L'énergie consommée par les centres de données qui prennent en charge l'entraînement et l'inférence en IA ne représente qu'une partie de l'énergie utilisée par l'ensemble du secteur numérique. La demande dans ces deux domaines est en hausse, et même si l'IA ne venait à représenter qu'un faible pourcentage des émissions totales de CO₂, les ONG doivent exiger davantage – tant des entreprises qui fournissent ces technologies que d'elles-mêmes – que de se contenter de surveiller la facture d'électricité. Nous pouvons tirer parti des possibilités offertes par les modèles d'IA, mais tant du point de vue environnemental que dans l'intérêt de l'autonomie de l'organisation, il convient de les utiliser de manière réfléchie et délibérée. Cela suppose parfois de s’éloigner de ce qui est le plus en vogue sur le marché, ou de ce que la publicité nous pousse à utiliser par défaut.
Votre avis compte
Que pensez-vous de ce texte ? Prenez 30 secondes pour nous faire part de vos commentaires et nous aider à créer un contenu utile pour la société civile !
Mentions légales
Ce document a été élaboré dans le cadre de l'initiative L’IA au service du changement social au sein du Digital Activism Program de TechSoup, avec le soutien de Google.org.
L'auteur a utilisé l'IA pour créer ce contenu. Toutefois, l'intégralité de cet article a été conçue, révisée et vérifiée par l'auteur et l'équipe de TechSoup.
Les outils d'IA évoluent rapidement, et bien que nous fassions tout notre possible pour garantir la fiabilité des informations que nous fournissons, il peut arriver que certains éléments ne soient plus à jour. Si vous constatez qu'une information n'est plus à jour, merci de nous le signaler à l'adresse contact@hive-mind.community