ChatGPT consomme autant qu'une ville : qui paiera la facture ?

Une requête ChatGPT consomme 10 fois plus qu'une recherche Google. Mais ce n'est que le début du problème.

Chaque fois que vous posez une question à un assistant IA, quelque part dans le monde, des milliers de processeurs s'emballent, des ventilateurs rugissent, et des mégawatts s'évaporent. Ce que vous ressentez comme une réponse instantanée et légère est, en réalité, l'une des opérations les plus énergivores de l'histoire de l'informatique grand public. Et la croissance exponentielle du secteur soulève une question que personne ne veut vraiment poser : l'IA est-elle compatible avec nos objectifs climatiques ?

Des chiffres qui donnent le vertige

Selon une étude de l'Université de Massachusetts Amherst, entraîner un grand modèle de langage comme GPT-3 génère environ 552 tonnes de CO₂ — soit l'équivalent de 300 allers-retours transatlantiques en avion. Et ce n'est que pour la phase d'entraînement, qui ne se fait qu'une fois. La phase d'inférence — c'est-à-dire répondre à vos questions au quotidien — représente un coût permanent, multiplié par des millions d'utilisateurs simultanés.

Sam Altman lui-même, PDG d'OpenAI, a reconnu que l'énergie est le principal goulot d'étranglement du développement de l'IA. Goldman Sachs estime que la consommation électrique des data centers liés à l'IA pourrait augmenter de 160 % d'ici 2030. Pour mettre cela en perspective : cela équivaut à alimenter plusieurs pays européens de taille moyenne.

Pourquoi l'IA consomme-t-elle autant ?

La réponse tient en trois étapes clés :

• L'entraînement des modèles : faire apprendre un modèle sur des milliards de données nécessite des clusters de GPU fonctionnant en continu pendant des semaines, voire des mois.
• L'inférence à grande échelle : chaque requête mobilise des centaines de puces pour générer une réponse en temps réel, même pour une question banale.
• Le refroidissement des data centers : maintenir ces infrastructures à température implique une consommation d'eau et d'électricité colossale, souvent sous-estimée dans les bilans carbone.

À cela s'ajoute une course aux armements technologiques : Google, Microsoft, Meta et Amazon investissent des dizaines de milliards dans de nouveaux data centers. Chaque nouveau modèle plus puissant implique une consommation accrue.

Des acteurs qui commencent à agir — vraiment ?

Face à la pression publique et réglementaire, les géants de la tech multiplient les annonces. Google affirme vouloir atteindre 100 % d'énergie sans carbone d'ici 2030. Microsoft s'est engagé à devenir "carbone négatif" à la même échéance. OpenAI, de son côté, collabore avec des producteurs d'énergie nucléaire comme Oklo pour sécuriser une alimentation bas-carbone.

Mais ces annonces méritent d'être nuancées. Acheter des certificats d'énergie renouvelable ne signifie pas consommer de l'énergie verte en temps réel. Et construire de nouvelles centrales nucléaires prend du temps — bien plus que la croissance actuelle de l'IA.

Sur le front technique, des avancées prometteuses émergent. Des modèles comme Mistral ou les versions "mini" de GPT-4 montrent qu'il est possible de réduire drastiquement la taille des modèles sans sacrifier les performances sur la majorité des tâches. La technique dite de distillation permet de créer des modèles plus légers à partir de grands modèles, réduisant leur empreinte énergétique de 90 % dans certains cas.

Le rôle méconnu de l'efficience algorithmique

L'un des leviers les plus puissants — et les moins médiatisés — est l'amélioration algorithmique. Des chercheurs d'OpenAI ont montré que les gains d'efficacité algorithmique ont historiquement doublé les performances tous les 9 mois, surpassant même les gains matériels. Autrement dit, mieux programmer un modèle peut être plus efficace que construire une nouvelle centrale.

Des approches comme le sparse computing (n'activer qu'une partie du réseau selon la question posée), le quantization (réduire la précision numérique des calculs) ou le caching intelligent (réutiliser des calculs déjà effectués) permettent de réduire la consommation sans dégrader l'expérience utilisateur.

Et nous, utilisateurs, dans tout ça ?

La question mérite d'être posée sans moralisme : faut-il limiter notre usage de l'IA ? La réponse n'est pas individuelle — elle est systémique. Ce sont les choix d'infrastructure, de régulation et d'investissement qui feront la différence, pas le fait de poser trois questions de moins à ChatGPT par semaine.

En revanche, les entreprises ont un rôle concret à jouer : choisir des fournisseurs d'IA transparents sur leur empreinte carbone, privilégier des modèles plus légers quand la tâche le permet, et intégrer la consommation énergétique dans leurs critères d'achat tech.

Conclusion : l'efficacité comme impératif, pas comme option

L'IA n'a pas à choisir entre performance et durabilité. Mais cette compatibilité ne se fera pas naturellement : elle demande des investissements délibérés, une régulation intelligente et une transparence accrue de la part des acteurs du secteur. La prochaine frontière de l'IA ne sera pas le prochain modèle le plus puissant. Ce sera le premier modèle qui fera mieux avec moins.

Et cette course-là, tout le monde a intérêt à ce qu'elle soit gagnée.

— Reservoir Live