Résumez cet article avec :
L'IA devient une source majeure de consommation énergétique à un moment où les réseaux européens sont déjà sous tension, et la question passe du simple reporting d'entreprise aux processus d'achat.
Cet article examine où se situe réellement l'empreinte carbone d'un système d'IA déployé — il s'avère qu'il s'agit de l'inférence plutôt que de l'entraînement — et analyse les trois leviers qui
permettent de la modifier, par ordre d'efficacité. Il explique pourquoi le redimensionnement d'un modèle est plus efficace que sa relocalisation, ce que font des laboratoires axés sur l'efficience comme Pruna, ce qu'une entreprise comme GreenPT
démontre en publiant ses données carbone, et précise les chiffres qu'Eden AI ne peut pas vous fournir et pourquoi nous refusons de les inventer.
L'heure des comptes a sonné
Pendant une décennie, le coût environnemental du logiciel était le problème des autres. La puissance de calcul était abondante, bon marché et invisible, et la question énergétique relevait de l'exploitant du centre de données plutôt que de la personne écrivant le code.
L'IA a mis fin à cette ère. Les modèles génératifs consomment infiniment plus de puissance de calcul par opération utile que les logiciels qu'ils remplacent, et ils sont intégrés dans des produits utilisés des millions de fois par jour. Les gestionnaires de réseau à travers l'Europe planifient désormais leurs capacités en fonction de la demande des centres de données. Les régulateurs durcissent les obligations de reporting pour les opérateurs et les allégations environnementales des entreprises. Les équipes achats ont commencé à exiger des indicateurs environnementaux au même titre que la latence et le prix.
Rien de tout cela n'est plus abstrait. Cela apparaît sous forme de question dans un questionnaire de sécurité, de ligne dans un appel d'offres, ou de diapositive que votre CTO doit présenter.
Et la plupart des équipes y répondent mal, car elles répondent à une question qui était pertinente il y a deux ans.
Le changement de paradigme
Il y a deux ans, IA et énergie étaient synonymes d'entraînement. Un modèle de pointe est entraîné une seule fois, le chiffre est colossal, et cela fait les gros titres.
Ce cadre de réflexion est obsolète pour presque tous ceux qui lisent ceci. Vous n'entraînez pas de modèles de pointe. Vous les sollicitez, des milliers de fois par jour, et c'est là que se situe votre empreinte.
La recherche a suivi cette tendance. Les travaux sur l'inférence bas carbone, tels que le système SPROUT présenté à l'EMNLP 2024, ciblent la phase de service plutôt que l'entraînement, et font état de réductions d'empreinte carbone supérieures à 40 % sur des charges de travail réelles, sans modifier le modèle lui-même.
La conséquence pratique est simple. Si votre empreinte IA vous préoccupe, le levier ne se situe pas au niveau des serveurs. Il se situe au niveau de ce que vous leur envoyez.
Voici pourquoi. Déplacer une charge de travail d'un réseau électrique émettant 400 g de CO2 par kWh vers un réseau à 50 g constitue une amélioration significative, et cela agit comme un multiplicateur fixe sur votre consommation initiale. Passer d'un modèle de pointe à un modèle plus léger, tout aussi efficace pour la tâche donnée, permet de réduire les besoins en calcul d'un ordre de grandeur.
Le premier changement divise. Le second divise ce qui est déjà divisé.
La plupart des équipes échouent sur le second point, car cela nécessite de connaître les alternatives, de les avoir à disposition via une interface unique et de pouvoir basculer de l'une à l'autre sans rien réécrire. Ce qui est, précisément, la raison d'être d'une passerelle.
Le réflexe qui passe à côté
Le premier réflexe est souvent de chercher un centre de données « vert ». C'est un levier réel sur lequel nous reviendrons, mais c'est le troisième, pas le premier.
Les trois leviers, dans l'ordre
Dimensionner correctement le modèle. Une tâche de classification, une extraction courte, une reformulation, un contrôle de modération : tout cela ne nécessite pas un modèle de pointe. Il faut un modèle suffisamment performant, et l'écart de calcul entre les deux ne se chiffre pas en quelques pourcentages.
C'est le levier que personne n'actionne, car cela implique de réaliser une évaluation, et réaliser une évaluation signifie pouvoir accéder à chaque modèle candidat via un appel unique.
Quand changer de modèle se résume à modifier une chaîne de caractères, l'évaluation prend une après-midi. Quand cela implique trois contrats fournisseurs, cela ne se fait jamais.
Utiliser des modèles conçus pour l'efficacité. Il s'agit désormais d'un véritable domaine d'ingénierie, et non d'un argument marketing. Pruna, basée à Munich et à Paris, maintient un framework d'optimisation open-source regroupant près de cinquante algorithmes derrière une fonction unique `smash`, et propose des modèles construits sur ces travaux.
Leur modèle vidéo, disponible sur Eden AI, illustre ce point d'une manière que vous ressentirez directement sur votre facture. La vidéo est facturée à la seconde de sortie ; le coût réel n'est donc pas le clip que vous publiez, mais les dix que vous avez supprimés au préalable. P-Video-2 dispose d'un mode brouillon conçu exactement pour cela : vous itérez à moindre coût et ne payez le prix fort que pour la prise que vous conservez. Moins de secondes de génération gaspillées, c'est moins de secondes de GPU consommées inutilement.
video/generation_async/pruna/p-video-2
Ensuite, souciez-vous de l'électricité. Une fois la charge de travail correctement dimensionnée, l'endroit où elle s'exécute commence à compter. Les fournisseurs européens présents sur notre plateforme s'appuient sur certains des réseaux les plus propres disponibles : Scaleway et OVHcloud en France, IONOS en Allemagne, Infomaniak en Suisse. Les mix énergétiques français et nordiques sont structurellement bas carbone, et c'est une propriété intrinsèque du réseau, pas une simple déclaration nécessitant une certification.
Qui est à l'origine de cette dynamique ?
La question de la durabilité donne désormais naissance à de véritables entreprises, et non plus seulement à des rapports de positionnement.
GreenPT, une société néerlandaise, en est l'exemple le plus probant. Ils s'appuient sur des infrastructures européennes et des énergies renouvelables, et revendiquent jusqu'à 40 % d'émissions de CO2 en moins par requête par rapport aux principaux fournisseurs de cloud. Ce qui les rend intéressants, ce n'est pas ce chiffre en soi, mais le fait qu'ils communiquent les données énergétiques et carbone directement à l'utilisateur au lieu de les dissimuler. C'est précisément ce que le reste de l'industrie, nous y compris, ne fait pas.
Ils ne sont pas encore présents sur Eden AI aujourd'hui. Nous les mentionnons parce que la voie qu'ils tracent est la bonne, et parce qu'un marché où les acheteurs peuvent comparer l'empreinte carbone comme ils comparent la latence serait un marché plus sain pour tous ses acteurs.
Le levier que nous vous offrons aujourd'hui, c'est le choix : tous les modèles, une interface unique, un changement de paramètre en une ligne, avec la région de chaque modèle clairement indiquée. Ce n'est pas un label écologique. C'est l'outil qui permet d'ajuster la taille de vos modèles, et c'est précisément dans cet ajustement que se joue la véritable économie d'énergie.
Par où commencer
Prenez votre appel le plus fréquent, celui qui est exécuté des milliers de fois par jour. Pas le plus impressionnant, mais le plus courant.
Identifiez le modèle le plus léger qui répond toujours à vos critères d'évaluation. Mesurez l'impact sur les coûts, car le coût est l'indicateur dont vous disposez déjà, et la puissance de calcul comme les coûts évoluent de pair.
Vous constaterez généralement que vous payiez pour des capacités que vous n'utilisiez pas. La consommation d'énergie suit la même courbe.
