IA générative : 7 leviers pour maîriser son empreinte environnementale

Afin que les IA génératives soient plus sobres, plusieurs leviers peuvent être actionnés, tant du côté des géants de la tech que des utilisateurs. L’optimisation des infrastructures, une réflexion sur la taille des modèles ainsi que sur les besoins de tout un chacun de recourir à l’IA sont des pistes à explorer.

Eléments de réponse avec les chercheurs climat et IA Toovalu qui vous livrent 6 leviers pour réduire l'empreinte environnementale de l'IA.

Les principaux postes d’impact de l'IA : énergie, eau et matériel

L’essor de l’IA générative, porté par des modèles comme ChatGPT, Gemini ou Mistral, s’accompagne d’une consommation énergétique croissante. Si ses bénéfices économiques et créatifs sont indéniables, son empreinte environnementale est considérable (et encore difficile à mesurer précisément).

L’entraînement des modèles d’IA générative nécessite d’énormes ressources informatiques. Cette phase, la plus énergivore, peut représenter des centaines de mégawattheures pour un seul modèle. Mais l’impact ne s’arrête pas là : les centres de données consomment également d’importantes quantités d’eau pour le refroidissement, tandis que la fabrication des serveurs et GPU contribue à l’épuisement des ressources minières.

D'où l'enjeux de penser des IA (notamment les IA génératives, ou LLM) plus sobres et durables.

‍

1. Optimiser l'infrastructure et l’usage des data centers des IA

Du côté de la tech, « les géants cherchent actuellement à optimiser leurs structures, en travaillant notamment à l’efficacité énergétique des data centers. En France, certains acteurs de la tech optent par exemple pour la récupération de chaleur des data centers, qui sert ensuite à chauffer des quartiers », donne, à titre d’exemple, Thomas Gilormini, chef de projet climat chez Toovalu et chercheur en décarbonation. L’objectif est de mutualiser ainsi les usages des data centers afin d’optimiser l’utilisation des infrastructures. C’est le premier levier actionné.

‍

2. Réduire la taille des modèles d’IA et leur complexité

Un second levier, également utilisé au sein de la tech, porte sur la réduction de la taille des modèles. Les impacts environnementaux des IA génératives dépendent beaucoup de la taille de leurs modèles.

Les IA généralistes : énergivores par essence

La règle est simple : plus ils sont complexes, plus ils sont énergivores. « Les modèles généralistes vont être de plus en plus gros car ils cherchent à répondre à de multiples usages provenant des utilisateurs, comme générer des « starter pack » ou écrire des synthèses sur des sujets complexes.

Les IA spécialisées : une empreinte plus limitée

Ainsi, un axe, notamment poussé par Mistral ou GenIA-L (édité par Lefebvre Dalloz, une autre filiale du groupe Lefebvre), est celui de travailler au développement de modèles plus petits et spécifiques à des applications », précise Thomas Gilormini, c’est-à-dire à des recherches précises de la part des utilisateurs. Dès lors, Mistral a développé des « ministraux » et OpenAI son « GPT-40 mini. « Il faut ralentir la course en avant du modèle le plus gros et le plus puissant », poursuit-il.

‍

3. Mieux choisir les emplacements des data centers

"Dans le futur, « on pourrait  imaginer, à terme, que les géants de la tech réfléchissent à mieux positionner leurs data centers, dans des pays où ils utiliseraient de l’énergie moins carbonée" propose Florian Pothin, doctorant et data scientist Chez Toovalu, spécialiste des risques climatiques.

‍

4. Recycler les équipements et optimiser les logiciels d’IA

Pour Florian, par ailleur co-auteur d'une note de synthèse sur IA et impact environnmental, adapter la fin de vie des équipements des IA est aussi une piste intéressante.

"En récupérant, par exemple, les semi-conducteurs d’une carte graphique devenue obsolète pour l’IA, on pourrait la réutiliser dans d’autres usages en attendant que le recyclage soit possible». Cela servirait ensuite à d’autres équipements.

‍

5. Utiliser des technologies d'IA récentes

Autre levier : « celui de réfléchir à l’optimisation des logiciels en eux-mêmes, c’est-à-dire à utiliser des technologies plus récentes, qui se développent et qui sont moins gourmandes en énergie que les technologies classiques », poursuit Florian.

6. Choisir d’utiliser une IA en fonction de ses besoins

Du côté des utilisateurs d’IA générative, quel levier actionner ?

Il faut « choisir son outil en fonction de son utilisation », conseille Thomas Gilormini. Définir son « right size sizer » [calibrage de bonne taille, ndlr], complète Florian Pothin. Autrement dit chercher un modèle centré sur ses besoins réels. Attention aussi à ne pas verser dans l’IA générative par confort. « Nous n’avons pas nécessairement besoin de l’IA », rappelle Thomas Gilormini. « Il est toujours possible de faire ses requêtes sur un moteur de recherche classique, sans forcément passer par ChatGPT ». Un utilisateur engagé dans une démarche de sobriété doit se questionner sur son usage de l’IA et ne pas verser dans la requête superflue.  

7. Utiliser un cadre méthodologique fiable pour mesurer son impact

Le dernier levier pour réduire l'impact de l'IA est sociétal.

« Entre la publication par Google de l’impact de Gemini et celle de Mistral sur sa solution, il y a deux approches différentes.

• Du côté de Mistral, leur analyse a été revue par d’autres acteurs capables de mesurer l’impact du numérique, tels que Carbone 4 et l’ADEME. Ils sont transparents et ont mené une étude réalisée à l’aide de multiples critères sur un périmètre large.
• De l’autre côté, Google sort un papier technique sur l’impact de Gemini mais qui manque de précision (le groupe ne présente pas le nombre de tokens associés à une « requête médiane » dont l’impact est mesuré, par exemple), retient un périmètre qui l’arrange et n’applique pas de cadre méthodologique existant », explique Thomas Gilormini.

La transparence et la rigueur sont nécessaires pour obtenir de vrais référentiels et assurer une comparaison réelle entre les acteurs sur ce sujet encore embryonnaire.

Pionnier parmi les logiciels Bilan Carbone® et RSE, Toovalu est un Saas au positionnement unique, qui allie tech & R&D et propose aux entreprises des services de R&D externalisée, par exemple pour éco-concevoir des services d'IA.