L’essor de l’intelligence artificielle ne se fait pas sans poser certains défis environnementaux majeurs. L’impact environnemental de l’IA est colossal et demeure probablement encore sous-évalué comme nous le révèle nos experts Data & IA.
Sommaire
L’IA une nouvelle révolution qui pose des questions
DeepBlue en 1997, Siri en 2011 et ChatGPT en 2022. L’intelligence artificielle a connu et fut l’objet de différentes révolutions. Aujourd’hui OpenAI par le biais de ChatGPT a démocratisé et prouvé l’efficacité et l’intérêt d’un nouveau modèle (le LLM). L’IA et en particulier l’IA générative est considérée comme la solution à tous les problèmes pour une entreprise.
L’adoption et la multiplication des cas d’usage IA nécessitent de nombreuses ressources que ce soit durant son entraînement ou son utilisation, ce qui pose la question de l’impact environnemental de l’IA.
L’impact environnemental de l’IA croît de plus en plus
Le principe de l'effet rebond pour expliquer l'impact environnemental de l'IA
Certaines études quantifiant l’empreinte carbone de nos usages digitaux avance une idée surprenante. Les IA génératives seraient plus éco-responsables que les outils traditionnels ou le travail humain sans technologie.
Pourquoi ? Leur rapidité d’exécution compenserait leur gourmandise énergétique. Mais ce raisonnement oublie un aspect clé : l’effet rebond.
L’accès facile et rapide aux IA entraîne une explosion du nombre d’utilisations et de créations… parfois inutiles, annulant ainsi les gains environnementaux attendus.
Ce n’est pas seulement l’outil qu’il faut analyser, mais surtout nos usages. Une réflexion essentielle pour adopter une approche plus durable face à ces technologies !
Le coût énérgétique
L’entraînement de BLOOM (dernier LLM d’Hugging Face) a émis environ 50 tonnes d’équivalent CO2 soit l’équivalent de 60 vols New-York – Londres. Ce qui est plus alarmant c’est d’apprendre que ce modèle a été entraîné sur des superordinateurs en France, où le mix énergétique permet de plus faibles émissions grâce au nucléaire.
Autre exemple : GPT3 d’OpenAI et OPT de Meta ont émis respectivement plus de 500 et 75 tonnes eCO2. On peut craindre que ce chiffre ne soit de plus en plus élevé au fur et à mesure que les données d’entraînement et la complexité des modèles augmentent.
L’utilisation des IA génératives a également un impact, la génération d’une image consomme autant d’énergie qu’il est nécessaire pour recharger un smartphone, la génération de texte est certes plus sobre, mais 100 requêtes sur chatGPT consomment l’équivalent de l’énergie nécessaire pour allumer une ampoule de 50W pendant 1h.
La consommation en eau pour les datacenters
Vers une utilisation raisonnable et raisonnée de l’IA
Il est donc impératif de s’interroger sur la nécessité ou non d’utiliser et de déployer un cas d’usages IA au sein des entreprises. L’IA n’est pas une solution miracle ou par défaut et comporte des risques. De nombreux cas d’usages « IA » ne sont que des besoins d’automatisation, pouvant être décrits par des règles plus faciles à maintenir et comprendre que le dernier LLM.
Tous les cas d’utilisation de l’IA ne nécessitent pas les modèles les plus performants et énergivores. Des solutions plus légères et personnalisées, en utilisant des modèles pré-entraînés sur des données de l’entreprise (RAG, fine tuning), peuvent souvent suffire et sont beaucoup plus économiques en termes de consommation d’énergie. Ces stratégies permettent non seulement de réduire les coûts et d’optimiser les ressources, adaptées aux besoins réels des projets.
Les entreprises doivent considérer l’IA non comme une solution universelle, mais comme un outil à déployer judicieusement.
Comment choisir son use case IA (et ainsi limiter son impact environnemental) ?
Déterminer un use case data ou IA nécessite de comprendre et traduire les besoins métiers en solutions opérationnelles. Peu d’entreprises disposent aujourd’hui de la maturité et compétence nécessaire pour le faire sans être accompagnées.
De nombreuses stratégies peuvent être mises en place pour permettre de répondre à ces défis :
- Evaluer et suivre son impact environnemental par le biais de KPI (consommation d’énergie, d’eau..), notamment dans le cadre de la CSRD.
- Réduire l’impact de l’utilisation des IA génératives en formant les métiers au prompt engineering pour utiliser un minimum de requêtes et d’itérations.
- Acculturer aux enjeux environnementaux
- Développer une approche « sustainable AI by design » (prendre en compte les ressources et le besoin dans le choix des algorithmes, choisir le modèle le plus optimisé pour son cas d’usage et non le meilleur selon la presse, optimiser le cycle de vie de l’IA en réutilisant des modèles pré entraîné pour entraîner d’autres modèles).
Tous ces éléments nécessitent un accompagnement et un cadrage pour tendre vers « la sustainable AI » (IA responsable). C’est pourquoi nous proposons chez iQo, en tant que cabinet conseil labellisé B Corp et expert des enjeux Data & IA une offre d’accompagnement pour cadrer la mise en place d’une « sustainable AI by design ».
Jérôme PRIOUZEAU
Associé iQo
son profil LinkedIn
Moustapha HASHEM
Consultant Data Strategy
son profil LinkedIn
Se former à l’IA : expliquer et démystifier avant de lancer ses démarches
Former ses collaborateurs à l’IA, ce n’est pas seulement répondre à une tendance actuelle mais bien accompagner la transformation des métiers. Tous les métiers sont
IA Readiness : votre DSI est-elle prête pour l’IA Générative ?
IA Readiness ou comment savoir si votre entreprise et les différents métiers sont prêts à tirer parti du potentiel de l’IA ? Nous avons défini
Machine Learning : définition, algorithmes et cas d’usage
Si vous vous posez la question “Qu’est-ce que le Machine Learning ?” ou bien “Quels sont les concepts clés derrière le Machine Learning ?”, alors
