Cycle « Technologie & responsabilité » - F.A.Q.

Réponse courte

Parce que l'efficacité technique, laissée à elle seule, n'a jamais fait baisser l'impact global. C'est le cœur du paradoxe de Jevons : on consomme plus dès que c'est plus efficace. Sans plafonds chiffrés, l'IA « sobre » alimente la croissance des usages plutôt que la réduction des impacts.

Réponse développée

Le paradoxe de Jevons : efficacité ≠ sobriété

Depuis JEVONS et sa « question du charbon » au XIXe siècle (1865), on sait que l'amélioration de l'efficacité énergétique ne garantit pas une baisse de la consommation totale. Au contraire, elle la fait souvent exploser : la ressource devient moins chère par unité d'usage, les usages se multiplient, l'impact global augmente.

Le numérique illustre déjà ce mécanisme. Les data centers ont vu leur efficacité s'améliorer spectaculairement (PUE passant typiquement d'environ 2,0 à 1,2 pour les meilleurs), mais la demande de calcul, de stockage et de bande passante a crû plus vite encore. Résultat : la part du numérique dans les émissions mondiales de gaz à effet de serre croît, avec une projection autour de 8% à horizon 2025 dans un scénario tendanciel (The Shift Project, 2019).

L'IA suit la même trajectoire. L'optimisation algorithmique, les progrès matériels, la mutualisation permettent de réduire la consommation par requête ou par modèle. Mais ces gains sont immédiatement réinvestis dans plus de modèles, plus d'usages, plus de requêtes. Une IA plus « efficace » rend simplement le service moins cher et plus accessible, donc plus consommé.

Les trois types de plafonds nécessaires

Plafonds énergétiques sectoriels : part maximale de l'électricité nationale allouée au numérique, puis trajectoire de stabilisation ou de réduction. Cela force les acteurs à prioriser les usages les plus utiles dans une enveloppe contrainte.

Plafonds d'émissions par acteur : quota annuel de CO₂e pour les grandes plateformes, aligné sur une trajectoire 1,5°C compatible avec les engagements climatiques internationaux. Sanctionne les dépassements par des amendes dissuasives.

Plafonds d'usage pour certains services : nombre maximal de requêtes, de paramètres, de modèles pour les usages considérés comme peu essentiels (génération ludique massive, publicité hypertrophiée, etc.). Assume qu'il existe une hiérarchie de légitimité des usages.

Ces plafonds ne remplacent pas l'efficacité ; ils la rendent enfin utile. Sans limite, chaque gain d'efficience nourrit la croissance des usages. Avec une limite, les mêmes gains permettent de faire autant avec moins, voire de réduire réellement l'empreinte.

Une métaphore clarifiante

L'image est simple : optimiser sans plafond revient à installer une pompe plus puissante dans un bateau qui prend l'eau. On retarde le naufrage, mais on ne change pas le destin. Fixer des plafonds, c'est décider à quel niveau d'eau nous acceptons de vivre, puis dimensionner nos pompes et nos usages en conséquence.

Verdict

Les plafonds absolus sont la condition nécessaire (mais pas suffisante) pour que l'efficacité technique se traduise en sobriété réelle. Sans eux, les gains d'efficience alimentent la croissance plutôt que la réduction. C'est une question de gouvernance collective, pas de performance technique.

Réponse courte

On peut estimer grossièrement des ordres de grandeur, mais pas mesurer sérieusement sans transparence. D'où l'enjeu politique : transformer la mesure d'empreinte en obligation légale, standardisée, auditée, et non en geste volontaire de communication.

Réponse développée

L'opacité actuelle : un choix stratégique

Aujourd'hui, la plupart des grands acteurs de l'IA publient peu ou pas de données complètes sur l'empreinte de leurs modèles. OpenAI ne donne aucune estimation officielle pour GPT-4 ; Meta, Google ou Anthropic restent très sélectifs sur ce qu'ils communiquent.

Les chercheurs compensent par des estimations indirectes : lois d'échelle énergie-paramètres (PATTERSON et al., 2021), mesures sur des modèles plus petits extrapolées aux grands, outils comme Green Algorithms ou CodeCarbon (LACOSTE et al., 2019). Ces approches donnent des ordres de grandeur utiles, mais elles restent des reconstructions partielles, sans accès aux données internes complètes.

Les trois briques d'une mesure sérieuse

Une méthodologie standardisée : Une norme de type ISO, analogue à celles de l'analyse de cycle de vie pour les produits physiques (ISO 14040/14044), doit préciser le périmètre minimal : entraînement initial et réentraînements, phase d'inférence sur toute la durée de vie, infrastructure (data centers, réseaux, refroidissement), fabrication et fin de vie des équipements. Sans cadre commun, chacun choisit un périmètre qui l'avantage.

Des audits indépendants : Des agences publiques ou para-publiques doivent avoir accès aux données réelles : compteurs électriques, logs de calcul, localisation des serveurs, contrats d'énergie. Ce modèle existe déjà pour la sûreté nucléaire (Autorité de sûreté nucléaire en France) ou certains marchés financiers (Autorité des marchés financiers) ; il doit être transposé au numérique critique.

Des sanctions dissuasives : Sans contrainte, la tentation est forte de « verdir » les chiffres. Il faut que la non-publication ou la falsification aient un coût supérieur au risque de transparence : amendes indexées sur le chiffre d'affaires (4% comme pour le RGPD), interdiction temporaire de commercialisation en cas de récidive, responsabilité pénale des dirigeants pour fraude environnementale caractérisée.

L'ignorance organisée comme situation actuelle

En attendant ce cadre, on reste dans une situation d'« ignorance organisée » : quelques travaux académiques rigoureux sur des modèles ouverts (BLOOM, OPT de Meta) donnent des repères, mais l'essentiel de la puissance de calcul mondiale reste dans l'ombre.

Le point clé est donc politique : le problème n'est pas tant l'absence de méthode que l'absence d'obligation. Dès que la transparence deviendra un prérequis réglementaire à la mise sur le marché, la mesure cessera d'être un exercice de communication pour devenir un socle de gouvernance.

Verdict

Mesurer sérieusement l'empreinte de l'IA sans accès aux données internes est impossible. Les estimations indirectes donnent des ordres de grandeur utiles mais insuffisants pour une gouvernance rigoureuse. L'enjeu est donc de transformer la transparence en obligation légale, standardisée et auditée.

Réponse courte

Oui, à la fois par la phase d'entraînement (extrêmement concentrée et énergivore) et par l'usage massif au quotidien (inférence). Une requête ChatGPT ou une image générée consomment nettement plus qu'une recherche Web ou un e-mail. Le problème vient surtout de la combinaison puissance par requête × volume d'usage.

Réponse développée

L'entraînement initial : un choc énergétique concentré

Les grands modèles de langage et d'images nécessitent des milliers de GPU, activés pendant des jours ou des semaines. Les estimations disponibles suggèrent :

GPT-3 : environ 1 287 MWh consommés pour l'entraînement, soit de l'ordre de 500 à 550 tonnes de CO₂e selon les estimations indirectes de PATTERSON et al. (2021). Ces chiffres constituent la meilleure approximation disponible, bien qu'OpenAI n'ait jamais publié de données officielles.

BLOOM : environ 433 MWh pour quelque 50 tonnes de CO₂e en bilan complet (LUCCIONI et al., 2023), soit dix fois moins que GPT-3 à taille comparable. Cette performance résulte d'un entraînement sur supercalculateur public bas-carbone et d'une méthodologie d'ACV complète publiée.

Même si les chiffres exacts varient selon les hypothèses, l'ordre de grandeur est clair : un seul entraînement représente déjà l'empreinte annuelle de dizaines à centaines de personnes dans un pays comme la France (environ 10 tonnes CO₂e/habitant/an).

L'inférence : une pluie fine continue, potentiellement plus lourde à long terme

Chaque requête à un modèle génératif active des milliards de paramètres. On estime grossièrement qu'une requête textuelle à un grand modèle consomme 0,3 à 3 Wh selon les méthodologies (RITCHIE, 2025), soit plusieurs fois plus d'énergie qu'une recherche Web classique (environ 0,0003 kWh selon Google, 2009), et qu'une génération d'image est encore plus coûteuse (plusieurs Wh par image).

Pris isolément, l'impact d'une requête reste modeste. Mais si l'on multiplie : des centaines de millions d'utilisateurs × des dizaines de requêtes quotidiennes × sur des années = empreinte cumulée de l'inférence dépassant rapidement celle de l'entraînement. C'est déjà le cas pour des services grand public largement diffusés.

Comparaison avec les autres usages numériques

En comparaison, les autres usages numériques dominants (streaming vidéo, navigation Web, e-mails) restent moins intensifs par unité de service, même si leur volume les rend très impactants. Le streaming vidéo en haute définition reste aujourd'hui le principal poste du trafic de données, mais l'IA générative ajoute un nouveau bloc de consommation côté calcul (The Shift Project, 2019).

Le point important est donc double : sur le plan unitaire, l'IA générative se situe clairement dans le haut du spectre des usages numériques ; sur le plan systémique, elle arrive dans un paysage déjà tendu, et risque de faire sauter les budgets carbone du numérique si elle se généralise sans contrainte.

Verdict

L'IA générative est effectivement plus polluante que la plupart des usages numériques classiques, à la fois par la concentration énergétique de l'entraînement et par l'intensité de l'inférence multipliée par le volume d'usage. La réponse n'est pas d'abolir ces usages, mais de les réserver là où la valeur créée justifie le coût, de les rendre aussi sobres que possible, et d'en limiter la prolifération à des cas véritablement utiles.

Réponse courte

Mesurer sérieusement, éco-conditionner les choix numériques, rendre les équipes techniques « bivalentes » (calcul et écologie), publier leurs données et peser politiquement pour que la sobriété devienne une norme et non un handicap compétitif.

Réponse développée

Mesurer avant d'agir : le diagnostic préalable

Sans diagnostic, on ne fait qu'optimiser à l'aveugle.

Réaliser une cartographie complète des usages numériques et IA : quels services, chez quels fournisseurs, pour quels volumes, à quelle fréquence. Estimer l'empreinte via des outils et méthodes reconnues (Green Algorithms, CodeCarbon, ACV numériques, méthodologies du Shift Project). Identifier les « points chauds » : modèles internes très gourmands, services externes massivement utilisés, data centers peu efficaces ou alimentés par de l'énergie carbonée.

Éco-conditionner les achats et les projets

L'idée n'est plus d'acheter la solution « la plus performante pour le prix », mais « suffisamment performante pour le besoin, avec l'empreinte la plus faible possible ».

Dans les appels d'offres ou les choix de solutions : exiger la publication de l'empreinte (entraînement, inférence, localisation des data centers, mix énergétique), privilégier les infrastructures bas-carbone (nucléaire, hydraulique, renouvelable contractualisé additionnel), favoriser les modèles spécialisés plus petits plutôt que les géants universels lorsqu'un usage ciblé le permet (un modèle de 3 milliards de paramètres dédié peut égaler un géant de 175 milliards sur une tâche spécifique tout en consommant cent fois moins).

Former les équipes techniques aux enjeux écologiques

Une IA sobre impose un changement de culture chez les ingénieurs.

Former les data scientists et développeurs aux ordres de grandeur énergétiques (différence entre kWh et MWh, entre tonne et kilogramme de CO₂e), aux méthodes de mesure (ACV, périmètres, facteurs d'émission), aux techniques de compression et d'optimisation (distillation, quantification, pruning). Intégrer des objectifs d'efficience et d'empreinte dans les critères de qualité des projets, au même titre que la performance et la robustesse.

Optimiser l'existant plutôt que multiplier les projets

Réutiliser et adapter des modèles existants (fine-tuning) plutôt que réentraîner systématiquement depuis zéro. Compresser, quantifier, distiller les modèles internes lorsque c'est possible (DistilBERT conserve 97% des performances de BERT avec 40% de la taille). Allonger la durée de vie du matériel, optimiser le taux de charge des clusters plutôt que multiplier les petits silos sous-utilisés.

Assumer une transparence offensive

Publier régulièrement l'empreinte numérique et IA de l'entreprise, avec la méthodologie associée (périmètre, hypothèses, sources des facteurs d'émission). Communiquer sur les arbitrages et non seulement sur les succès : expliquer quels usages ont été abandonnés, quelles fonctionnalités n'ont pas été implantées pour des raisons de sobriété.

Utiliser son poids économique pour changer les règles du jeu

Une grande entreprise peut peser sur la régulation ; une PME peut peser sur son écosystème.

Plaider pour des règles communes (transparence obligatoire, plafonds sectoriels, éco-conditionnalité des aides publiques), qui évitent que les acteurs vertueux soient pénalisés face aux plus laxistes (SCHWARTZ et al., 2019). Participer à des coalitions (Green Software Foundation, initiatives sectorielles) qui construisent des standards de fait.

Verdict

L'action concrète des entreprises ne se limite pas à optimiser leur propre empreinte ; c'est aussi contribuer à faire évoluer le cadre collectif pour que la sobriété devienne l'option par défaut. Mesurer, éco-conditionner, former, publier, peser : cinq verbes d'action qui transforment le discours en réalité.

Réponse courte

Individuellement, réduire les usages futiles et prolonger la durée de vie des équipements. Collectivement, exiger la transparence, soutenir la régulation et faire pression sur les entreprises et les responsables politiques pour que la sobriété numérique devienne un enjeu de débat, pas une note en bas de page.

Réponse développée

Comprendre pour ne plus consommer « comme si de rien n'était »

La tentation est grande de penser que « tout se joue au niveau des géants du numérique ». C'est partiellement vrai, mais les citoyens disposent de plusieurs leviers, à condition de les articuler.

Prendre conscience que le cloud est un parc de machines très physiques, alimentées et refroidies en continu (CRAWFORD, 2021). Se familiariser avec quelques ordres de grandeur (streaming, IA, stockage) pour éviter de se focaliser sur des gestes symboliques (éteindre le Wi-Fi la nuit) et négliger les gros postes (renouvellement anticipé du smartphone, génération massive de contenus IA).

Pratiquer une sobriété d'usage lucide, sans culpabilisme

Limiter les requêtes IA purement ludiques ou répétitives (régénérer dix fois un texte pour des variations marginales). Éviter de régénérer sans fin textes et images pour un bénéfice marginal. Allonger autant que possible la durée de vie des smartphones, ordinateurs, tablettes (l'essentiel de l'empreinte d'un appareil électronique se situe dans sa fabrication, pas dans son usage).

Ce n'est pas « héroïque », mais multiplié par des centaines de millions de personnes, cela commence à peser sur la demande globale.

Orienter son pouvoir de client

Favoriser les services qui publient leur empreinte et s'engagent de manière crédible sur la réduction (avec trajectoires vérifiables, pas seulement déclarations d'intention). Questionner les services que l'on utilise : demander des informations environnementales, signaler que ce critère pèse dans son choix (les entreprises sont sensibles aux signaux clients, surtout quand ils sont nombreux).

Peser comme citoyen, pas seulement comme consommateur

Interpeller ses élus sur la régulation de l'IA et du numérique : transparence obligatoire, plafonds sectoriels, éco-conditionnalité des aides publiques, taxe carbone sur les data centers. Participer aux consultations publiques (la Commission européenne en organise régulièrement sur les sujets numériques et environnementaux). Soutenir les ONG qui travaillent sur ces sujets (The Shift Project, Green IT, Framasoft, La Quadrature du Net). Faire de la sobriété numérique un critère de vote.

Ce qui change réellement les trajectoires, ce n'est pas seulement la somme des gestes individuels, c'est la combinaison de ces gestes avec une pression politique durable qui rend possible des règles collectives plus ambitieuses.

Verdict

L'action citoyenne la plus puissante n'est pas la culpabilité individuelle mais la combinaison : sobriété personnelle raisonnée + pression politique collective. Les gestes individuels comptent, mais ils ne transforment les trajectoires que s'ils s'inscrivent dans un mouvement de transformation des règles du jeu.

Réponse courte

L'IA n'est ni un gadget généralisé ni une nécessité universelle. Elle est décisive pour certains usages (santé, climat, maintenance, recherche), largement dispensable pour d'autres (publicité hypertrophiée, gadgets de confort, deepfakes récréatifs). La question n'est pas « pour ou contre l'IA ? », mais « pour quoi, où et à quel prix écologique et social ? ».

Réponse développée

Des usages à forte valeur difficilement substituables

Parler d'« IA » en bloc est trompeur. Il est plus pertinent de raisonner usage par usage, en mettant en regard la valeur créée et l'empreinte générée.

Aide au diagnostic médical : détection précoce de cancers sur images médicales, triage radiologique, amélioration nette de la précision et de la rapidité, avec un bénéfice vital évident.

Optimisation des réseaux électriques : intégration des énergies renouvelables intermittentes (éolien, solaire), équilibrage dynamique offre/demande, condition technique pour monter à des taux élevés de renouvelables sans menacer la stabilité des réseaux.

Maintenance prévisionnelle : prolongation de la durée de vie des équipements industriels, réduction des pannes catastrophiques, donc des déchets et des pertes de production (modèle Rolls-Royce Power-by-the-Hour).

Simulation scientifique avancée : climat, matériaux, biologie moléculaire. Le calcul intensif a un rôle structurel dans la découverte scientifique.

Dans ces cas, le coût écologique de l'IA peut être considéré comme un investissement dans la décarbonation et la résilience, à condition de rester maîtrisé.

Des usages à faible valeur, voire nuisibles

Hyper-ciblage publicitaire : scoring comportemental massif, bénéfice surtout pour les plateformes, coût sociétal (manipulation) et écologique (calcul massif) important.

Deepfakes de divertissement : génération massive de contenus sans qualité, automatisation de spams sophistiqués, désinformation facilitée.

Sur-équipement en assistants « intelligents » : fonctionnalités qui apportent peu par rapport à des solutions simples, mais consomment en permanence.

Ici, l'IA consomme des ressources rares pour des bénéfices discutables, voire négatifs.

Un critère d'évaluation : le rapport bénéfice social / impact écologique

On peut se représenter chaque usage dans un repère à deux axes : bénéfice social ou écologique (faible, moyen, élevé) et impact environnemental (faible, moyen, élevé).

Les cas à généraliser sont ceux où le bénéfice est élevé pour un impact contenu, surtout lorsque l'IA permet d'éviter des émissions beaucoup plus importantes ailleurs (optimiser un système fortement émetteur). Les cas à interdire ou rationner sont ceux où l'impact est élevé pour un bénéfice faible ou négatif.

Qui tranche sur la légitimité des usages ?

Décider de ce qui est « essentiel » ou « futile » ne relève pas des seules entreprises ni des seuls ingénieurs. C'est un débat politique, qui doit être informé par la science mais tranché par des procédures démocratiques : instances de délibération citoyenne, parlements, autorités indépendantes.

L'enjeu n'est donc pas de décréter un oui ou un non global à l'IA, mais de construire des critères collectifs explicites pour dire où elle a du sens, et où elle n'en a pas.

Verdict

L'IA est indispensable pour certains usages à forte valeur sociale et écologique, dispensable (voire nuisible) pour d'autres. La question centrale n'est pas technique mais politique : quels usages méritons de financer avec notre budget carbone collectif, et qui décide de cette hiérarchie ?

Réponse courte

Commencer par ce qui structure tout le reste : mesurer, fixer des contraintes, transformer les incitations. Pour les entreprises comme pour les pouvoirs publics et les citoyens, il s'agit de privilégier les actions à fort effet de levier sur les structures plutôt que les gestes symboliques isolés.

Réponse développée

Face à l'ampleur du problème, le risque est double : soit l'inaction résignée (« c'est trop gros pour moi »), soit la dispersion dans des micro-gestes sans effet systémique (« j'ai éteint le Wi-Fi, j'ai fait ma part »). D'où l'intérêt d'une hiérarchisation.

Pour les entreprises : trois priorités

Mesurer : audit complet des usages IA et numériques, estimation de l'empreinte avec une méthodologie claire et documentée.

Éco-conditionner : faire de la performance environnementale un critère éliminatoire ou lourdement pondéré dans tout nouveau projet, achat, contrat.

Former et gouverner : doter les équipes d'une culture de sobriété, formaliser une politique interne d'IA responsable, avec des arbitrages documentés et assumés.

Pour les pouvoirs publics : des signaux structurants

Transparence obligatoire sur l'empreinte des grands modèles et des grands data centers, avec audits indépendants et sanctions dissuasives.

Plafonds sectoriels de consommation énergétique et trajectoires de réduction alignées sur les objectifs climatiques nationaux et internationaux.

Éco-conditionnalité des aides publiques et des marchés (pas d'argent public pour des services opaques et manifestement surdimensionnés).

Pour les citoyens : articuler gestes individuels et action politique

Ajuster ses usages et son équipement pour limiter le gaspillage évident (durée de vie allongée, usages raisonnés).

Se former et diffuser des connaissances fiables dans son entourage professionnel et personnel.

Soutenir, par le vote et par l'engagement, des forces politiques et associatives qui portent une régulation ambitieuse du numérique.

L'effet de levier comme boussole

Une règle pratique peut guider les choix d'action : tout ce qui modifie une structure (règle, incitation, norme, infrastructure) a, à long terme, plus d'effet que ce qui ne modifie que des comportements individuels au sein de structures inchangées.

Les actions les plus puissantes sont souvent les moins visibles : une clause dans un marché public, un critère dans un appel d'offres, une méthodologie normée, un plafond légal. Ces changements structurels, une fois en place, orientent durablement les comportements de millions d'acteurs.

En d'autres termes, la question à se poser pour chaque action envisagée pourrait être : « Est-ce que cela change seulement ma pratique, ou est-ce que cela contribue aussi, même modestement, à changer les règles du jeu ? »

Verdict

Les premières actions à fort impact sont celles qui modifient les structures plutôt que seulement les comportements individuels. Mesurer pour rendre visible, contraindre pour rendre inévitable, transformer les incitations pour rendre la sobriété rentable. L'effet de levier comme boussole permet de prioriser les efforts là où ils comptent vraiment.