L'intelligence artificielle peut aider une entreprise à réduire sa consommation d'énergie, à limiter le gaspillage et à automatiser davantage le reporting ESG. Mais ceux qui développent des produits d'IA connaissent aussi le revers de la médaille : chaque modèle fonctionne sur des infrastructures gourmandes en énergie, chaque appel d'API a un coût informatique, et la demande en puissance de calcul ne faiblit pas.
C'est pourquoi la durabilité de l'intelligence artificielle ne doit être considérée ni comme un slogan, ni comme une faute à expier. Elle doit être abordée comme un enjeu opérationnel. En Italie, le débat s’articule désormais autour de deux concepts précis : la « durabilité de l’IA » et « l’IA au service de la durabilité ». Le premier concerne l’empreinte de l’IA elle-même. Le second porte sur l’utilisation de l’IA pour améliorer les processus, la consommation et la gouvernance environnementale. Dans ce même contexte, la part du reporting ESG soutenue par l’IA a « presque triplé au cours de la dernière année », selon cette analyse sur la durabilité de l’intelligence artificielle et la gouvernance ESG.
En tant que fondateur d'une entreprise spécialisée dans l'IA, je trouve que tant l'alarmisme systématique que le techno-optimisme paresseux sont stériles. La question n'est pas de déterminer si l'IA est « bonne » ou « mauvaise » pour l'environnement. Il s'agit plutôt de comprendre où elle consomme, quand elle crée une valeur réelle et quels choix concrets permettent de réduire son impact sans en compromettre l'utilité.
Le débat sur la durabilité de l'intelligence artificielle a mûri. Enfin. Non pas parce que le problème a été résolu, mais parce qu'il est devenu impossible de le réduire à un cliché.
D'une part, l'IA aide les entreprises et les installations à mieux utiliser l'énergie, à limiter le gaspillage et à améliorer la qualité des rapports ESG. D'autre part, ces mêmes systèmes nécessitent une puissance de calcul, des centres de données, des systèmes de refroidissement, des réseaux et du matériel informatique qui ont un coût environnemental réel. Si l'on ne considère qu'un seul de ces deux aspects, on prend une mauvaise décision.
Les deux catégories que j'utilise le plus souvent sont celles qui sont désormais couramment utilisées en Italie également :
La différence n'est pas purement théorique. Elle vous oblige à vous poser deux questions distinctes. La première est : quel est le poids de ma pile IA ? La seconde est : ce poids génère-t-il un bénéfice environnemental ou opérationnel suffisamment concret pour le justifier ?
La bonne question n'est pas « faut-il utiliser ou non l'IA ? ». La bonne question est « cette tâche nécessite-t-elle vraiment une telle puissance de calcul ? ».
L'erreur que je constate le plus souvent n'est pas d'ordre technologique. Elle relève de la prise de décision. De nombreuses entreprises adoptent l'IA comme si toute la puissance disponible devait être utilisée en permanence. Concrètement, elles choisissent le modèle le plus volumineux, le flux de travail le plus complexe et l'automatisation la plus étendue, même lorsque le problème était bien plus simple.
En réalité, une stratégie durable repose sur un principe moins spectaculaire : la proportionnalité. Si une tâche peut être bien exécutée avec moins de calculs, moins de transferts de données et moins de complexité, ce n’est pas un compromis. C’est un meilleur choix.
La partie la plus utile de la discussion commence dès lors que l'on cesse de parler de manière abstraite. L'impact environnemental de l'IA n'est pas une question d'opinion. Il s'agit d'un enjeu infrastructurel dont les chiffres sont déjà suffisamment clairs pour imposer la prudence.
Une source italienne, qui se réfère à des données internationales, indique qu'une étude réalisée en 2019 par l'université du Massachusetts a estimé que l'entraînement d'un seul modèle d'IA pouvait générer plus de 284 tonnes de CO₂, soit l'équivalent des émissions de cinq voitures sur l'ensemble de leur cycle de vie. La même source indique que le développement de ChatGPT-3 aurait nécessité environ 1 287 MWh d'électricité, soit la consommation annuelle d'environ 120 à 130 foyers américains moyens, et cite également une projection de Goldman Sachs Research selon laquelle la demande en électricité des centres de données pourrait augmenter de 160 %, soit une hausse d’environ 200 TWh par an entre 2023 et 2030, tandis que d’ici 2028, la consommation liée à l’IA pourrait atteindre 19 % des besoins énergétiques totaux des centres de données. Toutes ces données sont reprises dans cette analyse italienne sur le coût environnemental de l’IA.
Il ne s'agit pas d'utiliser ces chiffres pour semer la panique médiatique. Il s'agit de comprendre l'ampleur du phénomène. Si vous développez ou adoptez l'IA, vous contribuez à une augmentation de la demande énergétique qui concerne des infrastructures entières, et pas seulement votre budget cloud.
Règle pratique : lorsque vous évaluez un projet d'IA, ne vous arrêtez pas au coût par jeton ou par appel d'API. Le véritable problème se situe souvent en amont, au niveau de l'infrastructure qui rend cet appel possible.
Beaucoup pensent que l'impact environnemental de l'IA se limite presque exclusivement à la phase d'entraînement. C'est une simplification commode, mais erronée. La consommation s'étale sur plusieurs niveaux :
| Composant | Pourquoi c'est important |
|---|---|
| Formation | Cela nécessite d'importants volumes de calcul intensif |
| Inférence | Chaque demande d'un utilisateur génère un travail qui se répète au fil du temps |
| Centre de données | Alimentation, redondance et gestion continue de l'infrastructure |
| Refroidissement | La chaleur produite par les systèmes doit être dissipée efficacement |
| Réseaux et transfert de données | Le transfert de données entre les systèmes, les régions et les services a un coût énergétique |
Cela change la manière dont il faut aborder la question de la durabilité de l'intelligence artificielle. Il ne suffit pas de se demander « combien consomme le modèle ». Il faut également se demander où il fonctionne, quel volume de trafic il génère, combien de fois il est interrogé et si son architecture a été conçue pour limiter le gaspillage.
C'est pourquoi il est également pertinent d'examiner les cas où l'IA est utilisée pour améliorer son infrastructure.L'optimisation énergétique des centres de données grâce à l'IA en est un bon exemple, qui illustre bien un principe simple : le problème ne réside pas uniquement dans le modèle, mais dans l'ensemble de l'environnement technique qui le soutient.
Si l'on s'en tient uniquement aux coûts, on passe à côté de la moitié du tableau. L'IA peut également constituer un levier important pour améliorer la durabilité de l'entreprise. Non pas au sens rhétorique, mais à travers des processus très concrets.
Dans le contexte italien, lorsqu'elle est appliquée aux systèmes de gestion de l'énergie, l'IA peut réduire la consommation opérationnelle des installations industrielles et des PME en anticipant les pics de demande et en régulant en temps réel les charges telles que le CVC et l'éclairage. Cela a un impact direct sur les émissions de scope 2 et contribue à optimiser l'utilisation des sources d'énergie renouvelables intermittentes, comme le décrit cet article de fond sur les systèmes de gestion de l'énergie basés sur l'IA.
C'est le genre d'application que je considère comme justifiable, même d'un point de vue environnemental. Non pas parce qu'elle est gratuite, mais parce qu'elle utilise le calcul pour éliminer les gaspillages physiques permanents. Dans une installation où la demande est variable, réguler en temps réel la ventilation, la climatisation ou l'éclairage peut valoir mieux que mille diapositives sur la transition écologique.
Voici trois domaines dans lesquels l'IA s'avère particulièrement utile :
Pour une PME, le bénéfice ne provient souvent pas d’un modèle spectaculaire. Il provient d’un système qui évite les doublons. Exportations manuelles, multiples feuilles Excel, pièces jointes envoyées plusieurs fois, rapprochements effectués par différentes personnes sur les mêmes données. Tout cela mobilise du temps, des ressources informatiques, de la bande passante et de l’attention.
Un processus refait cinq fois par des personnes différentes est inefficace, non seulement d'un point de vue organisationnel, mais aussi d'un point de vue environnemental.
Lorsque l'IA centralise les données, automatise les tâches répétitives et rend les analyses réutilisables, la valeur ajoutée ne réside pas dans une inférence isolée. Elle réside dans l'élimination des redondances.
Pour ceux qui travaillent dans le domaine du reporting, ELECTE, une solution dédiée au reporting ESG, illustre bien ce problème. Elle permet de comprendre comment l'automatisation peut réduire les étapes manuelles et la dispersion de l'information sans pour autant transformer chaque activité en un projet informatique complexe.
Ce qui est encourageant, c'est que le secteur ne reste pas les bras croisés. L'IA est à l'origine du problème, mais elle stimule également des innovations visant à réduire sa consommation d'énergie. Il faut toutefois être honnête : il n'existe pas de solution unique.
Une piste prometteuse consiste à miser sur l'interconnexion et l'efficacité de l'infrastructure. Lorsque les systèmes informatiques sont en attente de données, la puissance installée est mal exploitée. C'est l'une des raisons pour lesquelles le matériel de nouvelle génération ne doit pas être considéré uniquement sous l'angle des performances, mais aussi sous celui de l'efficacité.
Dans le débat technologique, on entend parler de propositions axées sur les liaisons photoniques, une meilleure transmission des données et une dissipation réduite. Pour ceux qui achètent des services cloud et non des puces, l'enjeu pratique est tout autre : choisir des piles qui permettent d'accomplir davantage de tâches utiles avec moins de temps d'attente, moins de trafic et moins de surcoût.
Cette logique s'applique également au-delà de l'IA au sens strict. Ceux qui souhaitent réfléchir de manière plus générale à des modèles de production moins gaspilleurs peuvent trouver des pistes utiles dans ces pratiques d'économie durable, notamment pour établir un lien entre l'efficacité numérique et la réduction du gaspillage matériel dans les processus.
Du point de vue logiciel, les leviers les plus intéressants sont souvent moins spectaculaires et plus concrets :
D’après mon expérience, c’est ce choix qui a eu le plus d’impact. Le changement le plus efficace n’a pas consisté à introduire une technologie futuriste, mais à cesser d’utiliser le modèle le plus puissant pour tout. Le classement, le formatage, l’extraction de motifs connus et de nombreuses opérations de soutien ne nécessitent pas toujours un modèle de pointe. Ils exigent une discipline architecturale.
Si le résultat pour l'utilisateur reste le même, réduire la charge de calcul n'est pas un compromis. C'est une meilleure conception.
C'est pourquoi je parle souvent du « bon modèle pour la bonne tâche ». Concrètement, cela signifie créer une couche de routage qui attribue chaque opération au niveau de puissance nécessaire. C'est un choix lié au coût, mais aussi à la durabilité.
Ceux qui souhaitent approfondir le lien entre les solutions techniques et l'impact environnemental peuvent également consulter le numéro d'ELECTE consacré à l'IA et à l'environnement, qui rassemble divers cas et axes de développement sans les présenter comme des remèdes miracles.
L'objection la plus importante est aussi la plus gênante : rendre l'IA plus efficace ne garantit pas automatiquement une réduction de la consommation globale. Au contraire, c'est parfois le contraire qui se produit.
Lorsque le calcul devient moins coûteux, plus accessible et plus rapide, les entreprises ont tendance à y recourir davantage. Plus d'automatisations, plus de demandes, plus d'intégrations, plus de processus créés « puisque ça ne coûte pas cher ». C'est là le cœur du paradoxe de l'efficacité.
C'est pourquoi la durabilité de l'intelligence artificielle ne peut se limiter à la mise au point de puces plus performantes ou de modèles plus compacts. Elle doit devenir une priorité. Certaines questions devraient être posées avant toute mise en œuvre :
L'une des lacunes les plus évidentes du débat italien réside précisément dans l'absence d'indicateurs standardisés et d'une approche holistique permettant de mesurer l'empreinte de l'IA tout au long de son cycle de vie, un thème mis en avant dans cette perspective systémique sur la durabilité de l'intelligence artificielle.
Le problème, donc, n’est pas de freiner l’innovation. Il s’agit de cesser de considérer la puissance de calcul comme une ressource gratuite et inépuisable. Chaque organisation devrait la traiter comme elle traite son budget ou le temps de ses collaborateurs : comme quelque chose à allouer là où elle produit réellement de la valeur.
Pour une PME, parler de développement durable sans plan d'action concret ne sert pas à grand-chose. Il vaut mieux commencer par quatre décisions qui peuvent être prises immédiatement, même sans mesure parfaite de l'empreinte environnementale.
Une source italienne fait remarquer que de nombreux débats sur la durabilité de l'IA négligent le compromis coût-bénéfice, alors que les centres de données consomment déjà environ 3 % de l'énergie mondiale. La question sous-estimée est la suivante : quand est-il préférable d'utiliser un modèle plus petit ou un processus traditionnel pour éviter une augmentation insoutenable de la consommation et des coûts ? Ce point est bien résumé dans cet article sur le compromis environnemental de l'IA.
Choisissez le modèle adapté à l'ampleur du problème
C'est le levier qui offre le meilleur rapport entre simplicité et impact. N'utilisez pas le modèle le plus puissant par défaut. Utilisez-le uniquement lorsque cela fait vraiment la différence. Pour de nombreuses tâches quotidiennes, des modèles plus légers ou des systèmes non génératifs suffisent.
Évaluez également le fournisseur de services cloud en fonction de son profil énergétique
Ne vous concentrez pas uniquement sur le prix, la latence et la conformité. Tenez également compte de la transparence concernant les centres de données, le mix énergétique régional et l'approche en matière d'efficacité opérationnelle. La géographie a son importance. Une charge de travail n'a pas le même impact dans toutes les régions.
Réduisez la redondance dans les flux de travail
Si une même donnée est exportée, recopiée, reformatée et renvoyée à plusieurs reprises, vous gaspillez des ressources avant même de parler d’IA. Une plateforme comme ELECTE, une plateforme d’analyse de données basée sur l’IA destinée aux PME, peut être utilisée pour centraliser les données, automatiser les rapports et réduire les analyses redondantes. Dans ce contexte, l’avantage n’est pas de « faire plus d’IA », mais de réduire le travail inutile.
Mesure, même de manière imparfaite
Toutes les entreprises ne disposent pas d'outils permettant de mesurer la consommation en kWh ou les émissions de CO₂ pour chaque processus. Ce n'est pas grave. Commencez par les indicateurs opérationnels dont vous disposez déjà.
En l'absence d'une norme sectorielle véritablement établie, je commencerais par un tableau simple :
| Indicateur opérationnel | Qu'est-ce que ça te dit ? |
|---|---|
| Appels API pour une tâche terminée | Si tu fournis trop d'efforts pour obtenir un résultat |
| Taille moyenne du modèle par opération | Si vous surestimez l'ampleur des tâches |
| Volume de données transférées par session | Si votre flux de travail génère un trafic qui pourrait être évité |
| Analyses générées mais non utilisées | Si vous automatisez la génération de contenus que personne ne lit |
Mieux vaut mesurer mal mais de manière cohérente que de ne pas mesurer du tout.
Si, au bout de trois mois, vous constatez que le nombre d'appels par tâche diminue, que les grands modèles sont activés moins souvent et que le transfert de données est plus limité, cela ne signifie pas pour autant que votre comptabilité carbone soit parfaite. Vous disposez toutefois d'un outil très utile : une démarche d'efficacité qui réduit le gaspillage informatique, les coûts et probablement aussi l'impact environnemental.
La durabilité de l'intelligence artificielle ne se résume pas à un slogan. Elle ne se résume pas non plus à un rejet idéologique de l'IA. Elle se construit grâce à de meilleures décisions techniques et managériales.
Quiconque utilise l'IA aujourd'hui doit concilier deux réalités. La première : l'impact environnemental existe, il s'accroît et ne doit pas être minimisé. La seconde : l'IA peut apporter des avantages concrets lorsqu'elle réduit le gaspillage, optimise la consommation d'énergie et remplace des processus répétitifs et désorganisés par des systèmes plus intelligents. La qualité du choix réside dans l'équilibre entre ces deux aspects.
Pour les entreprises européennes, il existe également un deuxième niveau de responsabilité. Il ne suffit pas d'être en conformité. Il faut comprendre comment la technologie, l'infrastructure, la gouvernance et la propriété intellectuelle s'articulent entre elles. Sur ce dernier point, pour ceux qui souhaitent approfondir le cadre juridique qui accompagne l'adoption de l'IA, je recommande ce guide sur les brevets liés à l'intelligence artificielle, utile pour appréhender la durabilité technologique également comme un choix stratégique à long terme.
La bonne approche ne consiste pas à réduire l'utilisation de l'IA en soi. Il s'agit d'utiliser la bonne IA, au bon endroit, avec le bon niveau de puissance.
Si vous souhaitez adopter l'IA de manière plus efficace et plus réfléchie, découvrez comment fonctionne ELECTE. Cette plateforme aide les PME à centraliser leurs données, à automatiser leurs rapports et à réduire les tâches analytiques redondantes, grâce à une approche pragmatique du choix des modèles et de l'efficacité opérationnelle.
.svg)
.svg)
.svg)
