greenai.guide

Accueil › Articles › Étiquettes énergétiques et bancs d'essai pour l'IA

Article

Étiquettes énergétiques et bancs d'essai pour l'IA

Mis à jour · 6 min de lecture

En bref

Il n'existe pas encore d'étiquette énergétique officielle pour les modèles d'IA, mais les éléments de base sont là. L'AI Energy Score note les modèles ouverts de une à cinq étoiles, MLPerf Power évalue les systèmes matériels, et l'UE exige une documentation énergétique pour les modèles d'IA à usage général et construit un dispositif de notation des centres de données. L'UE a aussi lancé un appel d'offres pour des travaux sur la mesure d'une IA économe en énergie, et une étiquette est à l'étude.

Points clés

  • L'AI Energy Score, lancé en février 2025, attribue aux modèles une note de une à cinq étoiles au sein de chaque tâche, à partir de l'énergie GPU mesurée.
  • MLPerf Power mesure l'efficacité énergétique de systèmes d'apprentissage automatique complets, des minuscules appareils aux baies de centres de données.
  • En vertu de l'AI Act européen, les fournisseurs d'IA à usage général doivent documenter la consommation d'énergie connue ou estimée, mais ces informations vont aux régulateurs, pas aux consommateurs.
  • L'UE construit une notation de type A–G pour les centres de données, et a lancé un appel d'offres pour des travaux qui pourraient aboutir à une étiquette énergie et émissions pour l'IA.
  • Une étiquette peut classer des options comparables, mais ne peut pas tout saisir : le matériel, les réglages et l'usage réel modifient tous le résultat.

Les réfrigérateurs, les lave-linge et les ampoules portent des étiquettes énergétiques qui permettent de les comparer d'un coup d'œil. De plus en plus de gens se demandent pourquoi les modèles d'IA n'en ont pas. La réponse courte est qu'étiqueter l'IA est plus difficile qu'étiqueter un réfrigérateur, mais que les travaux en ce sens sont bien avancés. Cet article présente ce qui existe fin 2026, et ce qu'une étiquette peut ou ne peut pas vous dire.

Existe-t-il une étiquette énergétique officielle pour l'IA ?

Non, pas encore. Il existe des notations et des bancs d'essai volontaires, des obligations légales de documenter la consommation d'énergie dans l'UE, et des travaux de la Commission européenne qui pourraient aboutir à une étiquette. Aucun de ces éléments n'est encore une étiquette destinée aux consommateurs, du type de celle des réfrigérateurs.

Qu'est-ce que l'AI Energy Score ?

Une notation volontaire par étoiles des modèles d'IA, fondée sur la consommation d'énergie mesurée sur des tâches standard. Elle a été lancée en février 2025 par Hugging Face avec des partenaires dont Salesforce, Cohere et l'université Carnegie Mellon.

Fonctionnement :

  • Les modèles sont exécutés sur un ensemble fixe de tâches courantes, avec le même type de GPU pour chaque modèle.
  • L'énergie GPU utilisée pour un nombre fixe de requêtes est mesurée.
  • Chaque modèle reçoit de une à cinq étoiles, par rapport aux autres modèles de la même tâche et de la même classe de taille. Les notes sont recalibrées à mesure que de nouveaux modèles sont ajoutés.

La première édition a noté 166 modèles sur 10 tâches. Une deuxième version, publiée fin 2025, a ajouté le raisonnement comme tâche évaluée ; Hugging Face a indiqué que les modèles de raisonnement consommaient en moyenne environ 30 fois plus d'énergie que les modèles sans raisonnement ou avec le raisonnement désactivé, surtout parce qu'ils produisent bien plus de tokens en sortie.

La force de ce score est d'être mesuré, et non estimé, et d'utiliser les mêmes conditions pour chaque modèle. Sa limite est sa couverture : les modèles commerciaux fermés ne peuvent y figurer que si leurs fournisseurs choisissent d'y participer.

Que sont MLPerf Power et le ML.ENERGY Leaderboard ?

Des bancs d'essai qui mesurent l'énergie dans des conditions contrôlées, l'un pour les systèmes matériels, l'autre pour les modèles ouverts.

  • MLPerf Power, du consortium industriel MLCommons, mesure l'efficacité énergétique de systèmes d'apprentissage automatique complets exécutant des charges de travail MLPerf standard. Son article de 2025 rapporte 1 841 mesures sur 60 systèmes soumis par plus de 20 organisations, des appareils de l'ordre du microwatt aux systèmes de centres de données de l'ordre du mégawatt. Il aide les acheteurs à comparer du matériel, pas des modèles.
  • Le ML.ENERGY Leaderboard, de l'université du Michigan, mesure l'énergie d'inférence de modèles ouverts largement utilisés sur un matériel connu, et publie ses outils pour que d'autres puissent refaire les mesures.

Le calcul haute performance offre un précédent. La liste Green500 classe les supercalculateurs selon leur performance par watt sur un banc d'essai standard. C'est une mesure grossière, mais comme tout le monde exécute le même test, elle est comparable, et elle stimule l'efficacité depuis des années. Les bancs d'essai de l'IA pourraient suivre la même voie : imparfaits, mais utiles parce que partagés.

Qu'exige le droit de l'UE ?

Une documentation pour les modèles d'IA à usage général, des déclarations pour les centres de données, et un cadre pour de futures normes.

  • AI Act, annexe XI. Les fournisseurs de modèles d'IA à usage général doivent documenter la « consommation d'énergie connue ou estimée du modèle ». Si elle n'est pas connue, elle peut être fondée sur des informations relatives aux ressources de calcul utilisées. Cette documentation est destinée au Bureau européen de l'IA et aux autorités nationales, pas au public.
  • AI Act, article 40. La demande de normalisation de la Commission couvre des processus de déclaration et de documentation visant à améliorer la performance des systèmes d'IA en matière de ressources, y compris le développement économe en énergie des modèles à usage général. Ces normes sont encore en cours d'élaboration.
  • Centres de données. En vertu du règlement délégué (UE) 2024/1364, les centres de données d'une puissance informatique d'au moins 500 kW doivent déclarer chaque année des indicateurs d'énergie et de durabilité. En 2026, la Commission a proposé l'étape suivante, un dispositif de notation avec des classes pour des indicateurs comme l'indicateur d'efficacité énergétique (PUE) et l'indicateur d'efficacité de l'usage de l'eau (WUE) ; il est en cours d'examen et n'est pas encore en vigueur.

L'UE prépare-t-elle une étiquette énergétique pour l'IA ?

Elle l'étudie. La Commission a lancé, au titre de l'AI Act, un appel d'offres pour mesurer et promouvoir une IA économe en énergie et à faibles émissions, qui inclut la possibilité d'une étiquette énergie et émissions pour l'IA, et a mené une consultation ciblée en 2026. La question de savoir si une étiquette suivra, et si l'AI Act fournit une base juridique pour cela, n'est pas tranchée. Un premier cadre prendrait probablement la forme d'un guide avec de larges marges d'incertitude plutôt que d'un score précis.

Hors de l'UE, le paysage est surtout volontaire. Au Royaume-Uni et aux États-Unis, il n'existe aucune obligation d'étiquette énergétique pour l'IA ; les organisations s'appuient sur des dispositifs volontaires comme l'AI Energy Score et sur des normes comme l'ISO/IEC 21031:2024, la spécification Software Carbon Intensity, qui définit un taux de carbone par unité de travail mais n'est pas en soi une étiquette comparative.

Pourquoi est-il plus difficile d'étiqueter l'IA qu'un réfrigérateur ?

Parce que la consommation d'énergie d'un même modèle varie selon le matériel, les réglages et la tâche. Un réfrigérateur fait la même chose tous les jours. L'énergie par tâche d'un modèle d'IA dépend :

  • Du matériel : la génération de puces, leur nombre, les réglages de puissance et d'accélération.
  • Du logiciel : le moteur d'inférence, le regroupement des requêtes (batching), la quantification, la mise en cache.
  • De la tâche : la longueur du prompt, la longueur de la réponse, l'activation ou non du mode raisonnement.
  • Du contexte : un banc d'essai en laboratoire ou un centre de données de production très sollicité, avec une capacité de réserve gardée pour les pics.
  • De la qualité : un modèle qui consomme moins d'énergie mais donne plus de mauvaises réponses peut coûter plus au total.

Une étiquette doit donc fixer les conditions, ce qui la rend comparable mais moins réaliste. C'est le même compromis que font les tests de consommation de carburant des voitures.

Que doit demander un acheteur en attendant ?

L'énergie mesurée par tâche, dans des conditions précisées, avec la qualité à côté. En pratique :

  • Demandez si le modèle dispose d'un AI Energy Score ou d'une autre mesure indépendante.
  • Demandez quels matériel, région et réglages supposent les chiffres du fournisseur.
  • Demandez l'énergie et la qualité sur votre tâche, pas sur un banc d'essai générique.
  • Traitez avec prudence les ratios comme « 35 fois plus efficace » : ils en disent autant sur la référence que sur le produit.

Voir l'achat responsable d'IA et la mesure est le goulet d'étranglement.

Que faire ensuite

Questions fréquentes

Existe-t-il une étiquette énergétique pour les modèles d'IA ?

Pas d'étiquette officielle. L'AI Energy Score est une notation volontaire par étoiles des modèles sur des tâches standard. La Commission européenne a commandé des travaux sur la mesure d'une IA économe en énergie qui pourraient aboutir à une étiquette, mais aucune n'a été adoptée.

Qu'est-ce que l'AI Energy Score ?

Un projet lancé en février 2025 par Hugging Face avec des partenaires dont Salesforce, Cohere et l'université Carnegie Mellon. Il mesure l'énergie GPU consommée par les modèles sur des tâches standard et attribue à chacun une note de une à cinq étoiles, par rapport aux autres modèles de la même tâche.

Qu'est-ce que MLPerf Power ?

Un banc d'essai du consortium MLCommons qui mesure l'efficacité énergétique de systèmes matériels et logiciels d'apprentissage automatique exécutant des charges de travail MLPerf standard, des appareils de l'ordre du microwatt aux systèmes de centres de données de l'ordre du mégawatt.

Sources

  1. Announcing AI Energy Score ratings, Hugging Face (2025)
  2. AI Energy Score v2: refreshed leaderboard, now with reasoning, Hugging Face (2025)
  3. AI Energy Score, OECD.AI catalogue of tools (2025)
  4. MLPerf Power: benchmarking the energy efficiency of machine learning systems from µWatts to MWatts for sustainable AI, Tschand et al., MLCommons, HPCA 2025 (2025)
  5. The ML.ENERGY benchmark: toward automated inference energy measurement and optimization, Chung et al., NeurIPS Datasets and Benchmarks (2025)
  6. Regulation (EU) 2024/1689 (AI Act), Annex XI, European Union (2024)
  7. Regulation (EU) 2024/1689 (AI Act), Article 40, European Union (2024)
  8. Artificial Intelligence Act: call for tenders to measure and foster energy-efficient and low-emission AI, European Commission (2025)
  9. Commission Delegated Regulation (EU) 2024/1364 on the first phase of the establishment of a common Union rating scheme for data centres, European Commission (2024)
  10. European Commission proposes mandatory sustainability label for data centres, Latham & Watkins (2026)
  11. Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
  12. TOP500 and Green500 lists, TOP500 (2026)

Rejoignez-nous

Aidez à réduire l’impact de l’IA sur la planète

Recevez par e-mail, environ une fois par mois, les nouveaux guides, appels à financement et fiches des annuaires. Ou ajoutez votre produit, cours, thèse ou recherche aux annuaires.

Aucun suivi. Désinscription en un clic. Autres façons de participer · Confidentialité