« L'IA consomme énormément d'énergie. » La phrase est devenue un lieu commun. Mais derrière le slogan, que disent vraiment les chiffres ?
Entraîner un grand modèle de langage — la phase la plus gourmande — peut consommer l'équivalent de la consommation annuelle de centaines de foyers. Mais ces chiffres varient énormément d'un modèle à l'autre et restent souvent des estimations.
Cet article fait le point sur les ordres de grandeur réels, à partir des rares études publiées et transparentes, sans céder ni au catastrophisme ni au déni.
Combien d'énergie pour entraîner un modèle ? D'où vient cette consommation ? Et comment la situer ?
1. D'où vient la consommation ?
Entraîner un grand modèle d'IA, c'est faire tourner pendant des semaines ou des mois des milliers de processeurs spécialisés (GPU ou accélérateurs dédiés) qui réalisent un nombre colossal de calculs.
L'énergie consommée se décompose principalement en deux postes :
Le calcul
L'électricité consommée directement par les processeurs qui entraînent le modèle, jour et nuit, pendant toute la durée de l'apprentissage.
Le refroidissement
L'énergie nécessaire pour évacuer la chaleur dégagée par ces processeurs, mesurée via l'indicateur PUE du data center.
La consommation finale dépend donc de trois facteurs : la taille du modèle (nombre de paramètres), la durée d'entraînement, et l'efficacité du data center (matériel et refroidissement).
2. Les chiffres publiés (et leurs limites)
Très peu d'acteurs publient des chiffres précis et vérifiables. Deux cas font figure de références transparentes dans la littérature scientifique.
Selon les études publiées, l'électricité consommée pour l'entraînement de ces modèles est de l'ordre de :
Estimations d'électricité consommée pour l'entraînement (en MWh). Sources : Patterson et al. (2021) pour GPT-3 (~1 287 MWh) ; Luccioni et al. (2022) pour BLOOM (~433 MWh). Ordres de grandeur, non comparables strictement (matériel et méthodologies différents).
Pour donner une échelle : la consommation électrique annuelle d'un foyer français se compte en milliers de kWh, soit quelques MWh par an. L'entraînement d'un grand modèle représente donc l'équivalent de la consommation annuelle de l'ordre de plusieurs centaines de foyers — un chiffre marquant, mais ponctuel.
3. Entraînement vs utilisation : le vrai débat
On focalise souvent sur l'entraînement, car c'est un pic spectaculaire. Mais un modèle n'est entraîné qu'une fois (ou quelques fois), alors qu'il est ensuite utilisé des milliards de fois.
Cette phase d'utilisation, appelée inférence, consomme peu par requête — mais multipliée par un usage de masse, elle peut finir par dépasser le coût initial de l'entraînement sur la durée de vie du modèle.
Entraînement
- Pic d'énergie concentré
- Se produit une fois (ou quelques fois)
- Chiffrable et médiatisé
Inférence (utilisation)
- Faible coût par requête
- Répété des milliards de fois
- Coût cumulé potentiellement dominant
Pour évaluer l'empreinte réelle d'un modèle, il faut donc raisonner sur l'ensemble du cycle de vie : entraînement plus inférence, sur toute sa durée d'exploitation. Se limiter à l'entraînement donne une vision partielle.
4. Pourquoi les chiffres sont à manier avec prudence
Si le sujet prête à des affirmations spectaculaires, c'est précisément parce que les données fiables sont rares. Plusieurs raisons imposent la prudence.
Le bon réflexe est donc de distinguer énergie (en MWh) et émissions (en CO₂), et de toujours vérifier le périmètre d'un chiffre avant de le citer. Une consommation identique peut correspondre à des empreintes carbone très différentes.
En l'état, le plus honnête est de parler d'ordres de grandeur — significatifs, mais ni négligeables ni apocalyptiques — plutôt que de chiffres définitifs.
Conclusion : des ordres de grandeur, pas des certitudes
Entraîner un grand modèle d'IA consomme une quantité d'énergie réelle et significative — de l'ordre de la consommation annuelle de centaines de foyers pour les cas les mieux documentés. Mais ces chiffres restent des estimations, dépendantes du périmètre et de la méthode.
Surtout, l'entraînement n'est qu'une partie de l'histoire : sur la durée de vie d'un modèle, l'usage pèse souvent davantage. Pour juger l'empreinte de l'IA, mieux vaut raisonner cycle de vie complet et chiffres transparents que slogans.
