En bref
Rendre chaque tâche d'IA moins coûteuse ne signifie pas que l'IA dans son ensemble consomme moins d'énergie, car des tâches moins chères tendent à se multiplier. C'est l'effet rebond, ou effet Jevons. L'IA verte a besoin d'efficacité (faire chaque tâche avec moins) et de sobriété (ne faire que les tâches qui en valent la peine), avec des économies mesurées à l'échelle du système entier.
Points clés
- L'efficacité réduit l'énergie par tâche ; l'énergie totale dépend du nombre de tâches exécutées.
- Quand l'efficacité rend quelque chose moins cher, la demande augmente souvent, parfois au point d'annuler l'économie. C'est l'effet rebond, ou effet Jevons.
- L'informatique est devenue immensément plus efficace depuis des décennies, et pourtant sa consommation totale d'électricité n'a cessé d'augmenter.
- La sobriété demande si une tâche a vraiment besoin de l'IA, ou d'un modèle aussi grand.
- Les gains d'efficacité ne comptent comme des économies que si l'usage total est plafonné, mesuré ou tarifé.
L'IA verte est souvent présentée comme un problème d'efficacité : des modèles plus petits, de meilleures puces, des centres de données plus propres, et l'empreinte diminue. L'efficacité compte, mais à elle seule elle ne garantit pas que l'IA consomme moins d'énergie. Cet article explique pourquoi, et ce qui doit l'accompagner.
Quelle est la différence entre efficacité et sobriété ?
L'efficacité consiste à faire une tâche avec moins ; la sobriété consiste à ne faire que les tâches qui en valent la peine. Les deux réduisent l'impact environnemental, mais elles répondent à des questions différentes.
| Efficacité | Sobriété | |
|---|---|---|
| Question | Comment faire cela avec moins d'énergie ? | Avons-nous besoin de faire cela, à cette échelle ? |
| Exemples | Élagage, quantification, meilleures puces, refroidissement | Ne pas utiliser l'IA quand une recherche ou une formule suffit ; utiliser un petit modèle plutôt qu'un modèle de pointe |
| Mesurée en | Énergie par tâche | Énergie totale, et valeur par unité d'énergie |
| Qui agit | Ingénieurs, fabricants de matériel, exploitants de centres de données | Utilisateurs, responsables produit, acheteurs, décideurs publics |
Les deux ne sont pas rivales. Un « sandpit » britannique sur l'IA verte, organisé en 2026 avec des mathématiciens, des informaticiens et des industriels, a sondé les participants : l'IA verte doit-elle se concentrer sur l'efficacité ou sur un usage de l'IA limité aux cas nécessaires ? La réponse la plus fréquente a été « les deux à parts égales ». Voir qu'est-ce que l'IA verte ? pour les définitions plus larges.
Qu'est-ce que l'effet rebond ?
L'effet rebond est le surcroît d'usage qui suit lorsqu'une chose devient moins chère ou plus facile. Si ce surcroît est assez important pour dépasser l'économie, la consommation totale augmente. Ce cas extrême est appelé paradoxe de Jevons (on parle d'effet rebond pour ses formes plus modérées).
L'économiste William Stanley Jevons l'a décrit en 1865 dans The Coal Question. Il soutenait que des machines à vapeur plus efficaces ne réduiraient pas la consommation de charbon de la Grande-Bretagne, car une énergie à vapeur moins chère trouverait bien plus d'usages. Il avait raison : la consommation de charbon a continué d'augmenter.
L'effet rebond a plusieurs degrés :
- Rebond direct : une tâche moins chère est faite plus souvent. On pose davantage de questions à un chatbot plus rapide et moins cher.
- Rebond indirect : l'argent ou le temps économisé est dépensé pour autre chose, qui consomme aussi de l'énergie.
- Rebond à l'échelle de l'économie : une capacité moins chère rend possibles des produits et des secteurs entièrement nouveaux.
Cela s'est-il produit en informatique ?
Oui. Koomey et ses collègues ont constaté en 2011 que le nombre de calculs par unité d'énergie avait doublé environ tous les 1,57 an depuis les premiers ordinateurs électroniques des années 1940. Au cours des mêmes décennies, la consommation totale d'électricité de l'informatique a augmenté, car ce calcul moins cher a trouvé bien plus d'usages.
La revue de 2021 de Freitag et ses collègues sur l'impact climatique du numérique (TIC) estimait la part du secteur à 1,8–2,8 % des émissions mondiales de gaz à effet de serre, ou 2,1–3,9 % en comptant pleinement les chaînes d'approvisionnement. Les auteurs soutenaient que l'empreinte des TIC augmente malgré d'importants gains d'efficacité, et qu'il faut tenir compte des effets rebond avant de compter l'efficacité comme une économie pour le climat.
L'IA suit-elle le même schéma ?
Les premiers signes le suggèrent. L'énergie par tâche d'IA baisse rapidement, tandis que la demande totale augmente.
- Google a indiqué en 2025 que l'énergie de son prompt texte Gemini médian avait été divisée par 33 en douze mois, grâce à de meilleurs modèles, logiciels et matériels.
- Sur une période comparable, l'Agence internationale de l'énergie prévoyait que la consommation d'électricité des centres de données ferait plus que doubler d'ici 2030, passant d'environ 415 TWh en 2024 à environ 945 TWh, l'IA étant le principal moteur de cette croissance.
Les deux peuvent être vrais à la fois. Des prompts moins chers rendent rentable l'intégration par défaut de l'IA dans les résultats de recherche, les documents, les téléphones et les outils logiciels, ainsi que l'utilisation d'agents qui font de nombreux appels par tâche (voir l'IA agentique et le gaspillage de tokens).
Luccioni, Strubell et Crawford ont examiné ce point dans un article de 2025 sur le débat environnemental polarisé autour de l'IA. Ils soutenaient que rendre l'IA plus efficace ne garantira pas à lui seul une baisse des dommages environnementaux, car les gains d'efficacité peuvent accroître l'usage total, et que le débat néglige ces effets indirects. Ils appellent à combiner l'analyse du cycle de vie avec une analyse des incitations économiques, des marchés, de la gouvernance et des normes sociales.
Pourquoi l'efficacité ne devient-elle pas automatiquement une économie ?
Parce que celui qui profite de l'efficacité dépense généralement ce gain. Trois mécanismes sont courants dans l'IA :
- Le prix. Les fournisseurs répercutent la baisse des coûts, donc l'usage augmente.
- Les capacités. Une économie réalisée à une taille donnée est dépensée dans un modèle plus grand ou un contexte plus long, parce que la qualité fait vendre.
- Les réglages par défaut. Quand l'IA est assez bon marché pour être activée pour tout le monde, elle est activée pour tout le monde, y compris pour ceux qui ne l'ont pas demandée.
Rien de tout cela n'est une raison d'arrêter d'améliorer l'efficacité. Sans elle, la demande totale serait encore plus élevée. C'est une raison de ne pas compter les gains d'efficacité comme des économies pour le climat tant que l'usage total n'a pas été mesuré.
À quoi ressemble la sobriété en pratique ?
Elle consiste à adapter l'outil à la tâche, et parfois à choisir de ne pas utiliser l'IA du tout. Formes pratiques :
- Utiliser une méthode déterministe quand elle existe. Une calculatrice, une requête de base de données ou une méthode numérique classique est généralement moins coûteuse et plus fiable qu'un modèle de langage.
- Bien dimensionner le modèle. Orientez les demandes simples vers de petits modèles. Voir choisir le bon modèle.
- Rendre l'IA lourde facultative, et non activée par défaut. Les fonctions qui génèrent du contenu à chaque affichage de page multiplient la consommation d'énergie.
- Itérer moins. Régénérer sans cesse une image ou une vidéo jusqu'à ce qu'elle convienne multiplie le coût de chaque essai. De meilleurs prompts et outils d'édition réduisent le nombre de tentatives.
- Réutiliser au lieu de régénérer. Voir l'orchestration plutôt que la génération.
Au sandpit, une idée récurrente était que le système, et non chaque utilisateur, devrait faire ces choix lorsque c'est possible, par exemple en orientant automatiquement vers le plus petit modèle adapté, car demander à chaque utilisateur d'évaluer le coût énergétique de chaque requête ne passe pas à l'échelle.
Comment contenir l'effet rebond ?
En mesurant, en plafonnant ou en tarifant l'usage total, et pas seulement l'usage par tâche. Options :
- Des budgets. Fixez un budget d'énergie, de tokens ou de carbone pour un projet ou un produit, afin que les gains d'efficacité libèrent de la marge plutôt que d'étendre automatiquement l'usage.
- Une mesure à l'échelle du système. Rendez compte de l'énergie totale dans le temps, en plus de l'énergie par tâche. Voir la mesure est le goulet d'étranglement.
- Des allégations honnêtes. Affirmer qu'un produit est « X fois plus efficace » ne dit rien de son impact total. Voir faire des allégations environnementales honnêtes.
- Les politiques publiques. La tarification du carbone et les contraintes du réseau électrique agissent sur la demande totale, ce que les normes d'efficacité seules ne font pas. Voir les politiques pour une IA verte.
Que faire ensuite
- Suivez l'énergie ou la dépense totale liée à l'IA dans le temps, et pas seulement les chiffres par requête.
- Avant d'ajouter une fonction d'IA, demandez-vous si une méthode sans IA suffirait, et si elle doit être activée par défaut.
- Orientez les demandes vers le plus petit modèle qui fait le travail : voir utiliser l'IA efficacement.
- Lorsque vous réalisez un gain d'efficacité, décidez à l'avance s'il réduira l'usage total ou financera de nouveaux usages.
- Lisez le guide pour les entreprises pour savoir comment intégrer ces choix aux achats et à la conception des produits.
Questions fréquentes
Qu'est-ce que le paradoxe de Jevons ?
Le constat, formulé pour la première fois par William Stanley Jevons en 1865 à propos du charbon, qu'utiliser une ressource plus efficacement peut en augmenter la consommation totale, car l'efficacité la rend moins chère et donc plus largement utilisée.
L'effet rebond signifie-t-il que l'efficacité ne sert à rien ?
Non. L'efficacité reste nécessaire, et sans elle l'usage total serait plus élevé. Le fait est que l'efficacité seule ne garantit pas un usage total plus faible : elle doit donc aller de pair avec la sobriété et la mesure.
Qu'est-ce que la sobriété dans l'IA verte ?
N'utiliser l'IA que là où elle apporte assez de valeur, et utiliser le plus petit modèle et le moins de calcul possible pour bien faire le travail. Elle pose la question « devons-nous faire cela ? » autant que « comment le faire à moindre coût ? »
Sources
- The Coal Question, W. Stanley Jevons, Macmillan (1865)
- From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)
- The real climate and transformative impact of ICT: a critique of estimates, trends, and regulations, Freitag, Berners-Lee, Widdicks, Knowles, Blair and Friday, Patterns (2021)
- Implications of historical trends in the electrical efficiency of computing, Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
- Energy and AI, International Energy Agency (2025)
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
Voir aussi
Qu'est-ce que l'IA verte ?
Une définition simple de l'IA verte : l'IA pour l'environnement et une IA plus sobre, efficacité et sobriété, et son empreinte en énergie, carbone, eau et matériaux.
Utiliser l'IA efficacement : les bons réflexes au quotidien
Des réflexes quotidiens qui réduisent l'énergie de l'IA : prompts clairs, moins de régénérations, prudence avec images et vidéos, cache et options désactivées.
Choisir le bon modèle pour la tâche
Dimensionner l'IA au plus juste : petits modèles ou modèles spécialisés, quand un modèle de pointe vaut son coût, le routage, et quand se passer d'IA.
La mesure, goulot d'étranglement de l'IA verte
Pourquoi les chiffres d'énergie de l'IA sont difficiles à croire et à comparer : chiffres autodéclarés, estimations, périmètres différents, et bonnes pratiques.