Numérique · Énergie · Environnement

Empreinte carbone de l’IA : cloud ou modèle local ?

Faire tourner une intelligence artificielle dans le cloud ou sur son propre matériel : le choix semble simple, mais son bilan climatique dépend autant de l’électricité que des usages, des équipements et de leur durée de vie.

Une requête à un assistant conversationnel paraît immatérielle. Pourtant, elle mobilise des processeurs, des serveurs, des réseaux et des systèmes de refroidissement. À l’autre bout, exécuter un modèle sur un ordinateur personnel évite certains échanges avec un centre de données, mais sollicite une machine dont la fabrication a déjà généré des émissions. Alors, quelle option est la moins carbonée ? Il n’existe pas de réponse universelle : tout dépend du modèle, du volume de requêtes, du matériel et du lieu où l’électricité est consommée.

Le cloud mutualise les ressources, mais multiplie les intermédiaires

Dans le cloud, le calcul est effectué dans un centre de données exploité par un fournisseur. Ces infrastructures peuvent regrouper des milliers de serveurs et répartir leur charge entre plusieurs clients. La mutualisation améliore parfois le taux d’utilisation des équipements : une machine puissante partagée peut être plus efficace qu’un parc local sous-utilisé.

Mais la requête ne se limite pas au processeur qui génère la réponse. Elle traverse des réseaux, mobilise des systèmes de stockage et entraîne des besoins de refroidissement. La consommation du site dépend de sa conception, de la météo, de la charge et des équipements installés. Son intensité carbone dépend aussi du mix électrique local et des heures de fonctionnement. Un centre alimenté par une électricité peu carbonée n’a pas le même bilan qu’un autre situé dans une région dépendante des combustibles fossiles.

Les annonces d’énergie renouvelable méritent également une lecture attentive. Un achat annuel d’électricité « verte » ne signifie pas nécessairement que chaque serveur fonctionne à chaque instant avec une énergie décarbonée. Pour comparer les pratiques, il faut distinguer les certificats d’approvisionnement, la localisation des centres et la correspondance horaire entre consommation et production bas carbone.

Le modèle local réduit les transferts, pas forcément l’empreinte

Un modèle exécuté en local peut fonctionner sans envoyer chaque requête à un service distant. C’est un avantage pour la confidentialité, la disponibilité hors ligne et, dans certains cas, la réduction du trafic réseau. Les modèles compacts peuvent aussi répondre à des tâches ciblées sans mobiliser un système de grande taille.

Cette option a toutefois un coût matériel. Les modèles performants nécessitent parfois une carte graphique ou une station de travail énergivore. Si l’équipement est acheté principalement pour l’IA, sa fabrication — extraction des matières premières, assemblage et transport — entre dans le bilan. Si le matériel existant suffit et reste utilisé longtemps, cette charge est répartie sur davantage d’usages. À l’inverse, renouveler fréquemment un ordinateur pour gagner en vitesse peut annuler une partie des économies d’exploitation.

Comparer des services exige des données comparables

Les chiffres d’empreinte publiés par les fournisseurs ne sont pas toujours directement comparables. Certains portent sur l’entraînement initial d’un modèle, d’autres sur l’inférence, c’est-à-dire la production des réponses. Les hypothèses varient aussi : longueur de la requête, taille du modèle, matériel, taux d’occupation du serveur et méthode d’allocation des émissions entre clients.

Une comparaison rigoureuse commence donc par une unité fonctionnelle claire : par exemple, le coût énergétique d’une réponse de longueur définie, pour une tâche identique et un niveau de qualité comparable. Il faut ensuite examiner l’intensité carbone de l’électricité au moment et à l’endroit du calcul. Enfin, il faut rapporter le résultat au service rendu : une réponse inutilisée ou une génération répétée faute de précision représente une dépense sans bénéfice équivalent.

Cette exigence de mesure concerne aussi les organisations qui arbitrent entre outils numériques. Les équipes doivent cartographier les usages réels, les équipements disponibles et les compétences nécessaires avant de choisir une architecture. La transition technologique peut ainsi conduire à revoir la formation des salariés, qu’il s’agisse de comprendre les indicateurs d’un outil ou de suivre des cours d’anglais à Nantes pour travailler avec une documentation technique internationale. Ces décisions relèvent d’une stratégie d’ensemble, pas d’un simple choix de logiciel.

Dans quels cas privilégier chaque solution ?

Le cloud peut être pertinent si…

• les demandes sont ponctuelles ou très variables et évitent l’achat d’un équipement dédié ;
• le fournisseur publie des informations vérifiables sur ses centres, sa consommation et son approvisionnement énergétique ;
• le modèle distant apporte une qualité nettement supérieure pour une tâche qui ne peut être satisfaite par une solution plus légère.

Le local peut être pertinent si…

• un ordinateur déjà disponible peut exécuter un modèle compact sans remplacement matériel ;
• les requêtes sont fréquentes, répétitives et peuvent être traitées efficacement par un système adapté ;
• la confidentialité ou le fonctionnement hors ligne constitue une exigence forte, et le matériel sera conservé durablement.

Dans les deux cas, la sobriété commence avant le choix de l’hébergement : peut-on éviter la requête, réduire la longueur des instructions, réutiliser une réponse validée ou choisir un modèle moins puissant ? Une architecture hybride peut aussi réserver les modèles lourds aux demandes qui en ont réellement besoin et confier les tâches simples à des outils plus modestes.

Au-delà du duel cloud-local : rendre les calculs vérifiables

Pour les entreprises comme pour les pouvoirs publics, la difficulté est moins de désigner un vainqueur que de rendre les hypothèses auditables. Il faudrait connaître, pour chaque service, la consommation par type de tâche, la durée de vie du matériel, la localisation des calculs et les méthodes de comptabilisation. Sans ces éléments, une estimation précise en grammes de CO₂ par requête risque de donner une fausse impression de certitude.

Les données ouvertes et les indicateurs harmonisés permettraient de suivre les évolutions plutôt que de comparer des chiffres isolés. La datavisualisation peut notamment relier les volumes de requêtes à la puissance des modèles, aux heures d’usage et au mix électrique. Cette lecture met en évidence les arbitrages : une amélioration de l’efficacité par calcul peut être neutralisée si le nombre de requêtes augmente rapidement, phénomène connu sous le nom d’effet rebond.

Au fond, la meilleure option est celle dont l’impact est mesuré sur un périmètre cohérent et dont l’usage est justifié. Pour suivre nos enquêtes sur les technologies, l’énergie et leurs effets, retrouvez les publications de DataVox sur notre page d’accueil.