Pour sauver la planète, l'IA n'a qu'à gagner de l'argent

Le constat est brut: selon le dernier rapport de l'Institut pour l'eau, l'environnement et la santé de l'ONU, la consommation d'eau et d'électricité des centres de données devrait doubler d'ici 2030, portée par l'explosion des usages d'IA générative [1]. En 2025, ces infrastructures ont consommé 448 TWh, et l'IA en représentait un cinquième. Les chiffres sur l'eau sont plus frappants encore: 4 500 milliards de litres, soit de quoi couvrir les besoins de 600 millions d'Africains subsahariens. Ce constat, largement repris par la presse, nourrit un pessimisme que l'on peut comprendre. Il est pourtant incomplet.

Aucune des entreprises proposant des outils d'IA ne fournit d'informations sur la consommation d'énergie et l'empreinte carbone, rappelait Sasha Luccioni [2]. Ce secret d'entreprise est un obstacle à la mesure. Mais il est en train de céder: les régulateurs et les clients exigent des comptes, et la donnée devient un actif concurrentiel.

Une chose est rarement dite: le coût écologique de l'IA est avant tout un coût opérationnel. L'électricité et l'eau ne sont pas gratuites. Pour un opérateur de data center, chaque watt de moins sur la facture est un gain net. Plus une solution est économe, plus elle est durable, au sens économique comme au sens environnemental. Cet alignement, trop rare dans d'autres secteurs, est une raison d'être optimiste, à condition de ne pas confondre optimisme et naïveté.

Court terme: mesurer et optimiser l'existant

Les leviers immédiats sont connus et souvent rentables. D'abord, la transparence: standardiser la mesure de l'empreinte énergétique et carbone des modèles, publier des métriques par requête, par token, par tâche. Sans mesure, pas d'amélioration. Ensuite, optimiser les centres de données: améliorer le PUE (Power Usage Effectiveness, le ratio entre l'énergie totale consommée par le centre et celle effectivement utilisée par les serveurs), déployer le refroidissement adiabatique ou le free cooling dans les zones tempérées, localiser les serveurs près de sources d'énergie bas carbone ou de chaleur fatale récupérable. Les meilleurs centres affichent un PUE de 1,1, contre 1,6 en moyenne mondiale: cette simple convergence représente des térawattheures évités. Enfin, agir sur l'inférence elle-même: la distillation de modèles, la quantification, l'élagage et l'utilisation de modèles plus petits et spécialisés peuvent réduire la consommation d'un facteur dix à cent pour des tâches courantes, sans dégrader la qualité perçue. Ces techniques ne relèvent pas de la recherche fondamentale: elles sont déjà utilisées par les équipes d'ingénierie soucieuses de réduire leurs coûts.

Moyen terme: l'architecture matérielle comme levier

À l'horizon de cinq à dix ans, le matériel prend le relais. Les processeurs neuromorphiques, les accélérateurs spécialisés pour l'inférence, les puces photoniques pour les interconnexions et le calcul analogique promettent des gains d'efficacité énergétique d'un à deux ordres de grandeur par rapport aux GPU généralistes actuels. Le refroidissement liquide direct, déjà utilisé dans certains centres, permet de réduire la dépense énergétique du refroidissement et de récupérer la chaleur pour des réseaux urbains, comme on le voit dans quelques villes nordiques. Les petits réacteurs modulaires, malgré leurs défis réglementaires, pourraient offrir une électricité pilotable et décarbonée aux grands campus. Enfin, le déploiement de l'IA en périphérie réduit la distance entre les données et le calcul, économisant les transmissions et favorisant des modèles légers.

Long terme: changer de paradigme

À plus long terme, la rupture viendra peut-être d'un changement d'architecture des modèles eux-mêmes. Le cerveau humain fonctionne avec une vingtaine de watts, là où un grand modèle de langage en exige des millions. Les approches par apprentissage continu, par modèles adaptatifs qui ne nécessitent pas un réentraînement massif à chaque mise à jour, et par des représentations parcimonieuses pourraient réduire la facture énergétique de l'entraînement, aujourd'hui la phase la plus spectaculaire mais pas nécessairement la plus fréquente. La recherche sur le calcul réversible, sur les mémoires non volatiles intégrées au calcul, ou sur les réseaux de neurones impulsionnels laisse entrevoir des systèmes dont la consommation par opération utile serait dix mille fois inférieure. Rien de tout cela n'est garanti, mais l'histoire récente de l'informatique montre que l'innovation en efficacité énergétique a souvent surpris par sa rapidité.

Le coût opérationnel est un allié, pas un adversaire

Il faut le dire clairement: les entreprises d'IA n'ont pas besoin d'être écologistes pour réduire leur empreinte. Elles ont besoin d'être rentables. Or, l'énergie est devenue une composante majeure du coût d'inférence, en particulier pour les modèles génératifs servis à des millions d'utilisateurs. Un fournisseur qui parvient à servir une requête pour un centième de watt-heure gagne un avantage concurrentiel décisif. C'est pourquoi les laboratoires investissent massivement dans les optimisations matérielles et logicielles, parfois plus que dans la recherche de modèles toujours plus gros. La loi de Koomey, qui observe que l'énergie nécessaire pour un calcul fixe diminue de moitié tous les deux ans environ, n'a pas été abrogée par l'IA. Les chiffres alarmistes extrapolent souvent à partir de la consommation actuelle, sans intégrer ces gains d'efficacité. Ce n'est pas une raison pour ne rien faire, mais c'est une invitation à réviser ses croyances au fil des données, comme le ferait un bon bayésien.

Le défi reste entier, mais la trajectoire n'est pas écrite. Les solutions à court terme sont déjà rentables; celles à moyen terme sont en cours d'industrialisation; celles à long terme relèvent d'une recherche sérieuse. Le pessimisme ambiant, s'il paralyse, devient une prophétie auto-réalisatrice; l'optimisme naïf, s'il dispense d'agir, conduit au même résultat. Entre les deux, il y a la voie de l'ingénieur: mesurer, optimiser, itérer. L'IA n'est pas une exception à cette règle.