En bref
Faire tourner l'IA sur des téléphones, des capteurs et des serveurs locaux plutôt que dans des centres de données lointains peut réduire l'énergie nécessaire pour transporter les données et protéger la vie privée. Mais cela disperse le calcul sur des milliards d'appareils dont l'empreinte énergétique et de fabrication est rarement mesurée. Que l'IA en périphérie soit plus verte dépend du modèle, de l'appareil, de la fréquence d'utilisation et de ce qu'elle remplace, et les preuves restent minces.
Points clés
- L'IA en périphérie (edge AI) exécute les modèles sur l'appareil qui collecte les données, ou à proximité, plutôt que dans un centre de données central.
- Elle évite d'envoyer les données à travers des réseaux qui consomment de l'énergie, et préserve la confidentialité des données, mais elle renonce à l'efficacité de serveurs partagés et pleinement utilisés.
- Les études qui comparent l'inférence en périphérie et dans le cloud ne concordent pas ; les résultats dépendent fortement du modèle, du matériel et de la situation de référence.
- La fabrication des appareils a un coût carbone élevé : des fonctions d'IA qui raccourcissent la durée de vie des appareils ou exigent du nouveau matériel peuvent annuler les économies d'énergie.
- L'IA en périphérie est difficile à mesurer et à réglementer, car il n'y a ni compteur de centre de données, ni PUE, ni obligation de déclaration.
L'essentiel du débat sur la consommation d'énergie de l'IA porte sur les centres de données, car c'est là que se trouvent les gros compteurs. Mais une part croissante de l'IA tourne ailleurs : sur les téléphones, les ordinateurs portables, les voitures, les caméras, les sonnettes et les capteurs d'usine. C'est l'« IA en périphérie » (edge AI). Elle peut faire partie de la réponse à l'empreinte de l'IA, ou être un moyen de déplacer cette empreinte là où personne ne compte.
Qu'est-ce que l'IA en périphérie ?
L'IA en périphérie exécute un modèle sur l'appareil qui collecte les données, ou à proximité, au lieu d'envoyer les données vers un centre de données lointain. L'IA « embarquée » (on-device) en est le cas extrême : le modèle tourne sur le téléphone ou le capteur lui-même.
L'IA en périphérie est déjà courante :
- Le rapport technique 2025 d'Apple décrit un modèle de langage embarqué d'environ trois milliards de paramètres, compressé grâce à un entraînement tenant compte d'une quantification sur 2 bits, afin de tenir et de tourner sur des téléphones et des ordinateurs portables.
- Le service Android AICore de Google permet aux applications d'utiliser Gemini Nano, un modèle qui s'exécute sur l'appareil, sur les téléphones Pixel et Samsung compatibles.
- Les caméras industrielles, les drones, les voitures et les dispositifs médicaux font tourner localement des modèles de vision et de contrôle, car ils ne peuvent ni attendre une connexion réseau ni en dépendre.
Le nombre d'appareils est important et en croissance. IoT Analytics a recensé environ 18,5 milliards d'objets connectés (Internet des objets) fin 2024, sans compter les téléphones, les PC et les tablettes, et en prévoit environ 39 milliards d'ici 2030.
Pourquoi l'IA en périphérie pourrait-elle économiser de l'énergie ?
Parce que déplacer des données coûte de l'énergie, et que le traitement local peut l'éviter. Il garde aussi les données sensibles là où elles se trouvent.
L'Agence internationale de l'énergie a estimé que les réseaux de transmission de données consomment environ 1 à 1,5 % de l'électricité mondiale, une part comparable à celle des centres de données. Traiter les données là où elles sont collectées, et n'envoyer que les résultats, peut réduire cette charge.
Il y a une réserve. Mytton, Lundén et Malmodin ont montré en 2024 que l'énergie des réseaux n'est pas directement proportionnelle au volume de données : une grande partie de la puissance d'un réseau est consommée, que des données circulent ou non. Envoyer moins de données n'économise pas l'énergie à proportion, si bien que les estimations simples en « kWh par gigaoctet » surestiment l'économie.
Autres avantages possibles :
- Confidentialité et souveraineté. Des données qui ne quittent jamais un appareil, un hôpital ou un gestionnaire de réseau ne peuvent pas fuiter en transit ni être utilisées par un tiers.
- Résilience. Un modèle local continue de fonctionner quand le réseau ou le cloud est en panne.
- Latence. Les réponses arrivent sans aller-retour, ce qui compte pour les véhicules et les machines.
Pourquoi l'IA en périphérie pourrait-elle coûter plus ?
Parce que les petits appareils sont généralement moins efficaces que les grands serveurs partagés et pleinement utilisés, et parce que la fabrication des appareils a un coût carbone élevé.
- Taux d'utilisation. Un accélérateur de centre de données peut regrouper les requêtes de nombreux utilisateurs et rester occupé. Un téléphone ou un capteur traite la requête d'un seul utilisateur, puis reste inactif.
- Fabrication. Wu et ses collègues de Meta ont indiqué en 2022 que le carbone intrinsèque, issu de la fabrication du matériel, devenait la principale source de l'empreinte globale de l'IA, et ont noté que le calcul déplacé vers la périphérie risque de tourner là où l'accès aux énergies renouvelables est limité. Des fonctions d'IA qui exigent de nouveaux téléphones, ou qui rendent les anciens lents, ajoutent des émissions de fabrication qui peuvent dépasser toute économie d'énergie.
- Multiplication. Un petit coût par appareil, multiplié par des milliards d'appareils, devient un coût élevé. Une sonnette ou une caméra qui fait tourner un modèle en permanence peut consommer au total plus d'énergie que ne l'auraient fait des appels occasionnels au cloud.
Que disent les données ?
Elles sont contrastées et dépendent fortement de la comparaison. Li, Islam et Ren (2025) ont comparé l'inférence d'IA générative dans le cloud et sur des appareils en périphérie, et ont constaté une empreinte environnementale réduite pour le déploiement en périphérie de plusieurs modèles, avec des économies d'énergie de plus de 90 % dans leurs tests sur un téléphone récent. Leur référence cloud n'était pas un service de production pleinement optimisé, ce qui compte : des serveurs bien regroupés dans un centre de données efficace sont une référence plus difficile à battre.
Les études de bout en bout qui suivent un service d'IA complet, de l'appareil au centre de données en passant par le réseau, restent rares, surtout pour les grands modèles de langage. Un « sandpit » britannique sur l'IA verte, organisé en 2026 avec des mathématiciens, des informaticiens et des industriels, a classé la modélisation de l'effet énergétique net de l'IA en périphérie, sur des millions d'appareils, parmi les questions ouvertes.
Pourquoi l'IA en périphérie est-elle difficile à mesurer et à réglementer ?
Parce qu'il n'existe pas de compteur unique. Les centres de données déclarent leur consommation d'énergie et leur indicateur d'efficacité énergétique (PUE), et dans l'UE, les plus grands doivent en rendre compte dans un dispositif commun. Les téléphones, les capteurs et les stations de travail d'IA de bureau n'ont pas une telle obligation.
L'énergie apparaît, si elle apparaît, sous forme de batterie vidée ou d'une facture d'électricité un peu plus élevée, répartie entre des millions de foyers et d'entreprises. Il est donc facile de revendiquer des économies en déplaçant le travail vers la périphérie sans que personne ne puisse le vérifier. Voir la mesure est le goulet d'étranglement.
Qu'est-ce qui rend l'IA en périphérie plus verte ?
De petits modèles efficaces, exécutés seulement quand c'est nécessaire, sur du matériel que les gens possèdent déjà. Les méthodes qui réduisent l'énergie des centres de données comptent encore plus sur batterie :
- Des modèles compressés : élagage, quantification et distillation. Voir les mathématiques qui rendent l'IA plus efficace.
- Un traitement déclenché par les événements : réveiller le modèle quand quelque chose se produit, plutôt que de le faire tourner en continu.
- Envoyer des résumés, et non des données brutes, quand le cloud est nécessaire.
- Prendre en charge les appareils anciens, pour que les fonctions d'IA n'imposent pas de remplacements.
GreenCode, un projet de recherche européen sur les logiciels économes en énergie, fait le même constat : de petits modèles ajustés, la recherche d'information plutôt qu'un contexte massif, l'orientation vers le composant capable le moins coûteux et la planification sont ce qui rend l'IA viable sur batterie et sur du matériel contraint, là où il est impossible de dépenser plus d'énergie.
Que faire ensuite
- Choisissez entre périphérie et cloud au cas par cas, à l'aide des questions de périphérie ou cloud ?.
- Comptez l'énergie de fabrication autant que celle de fonctionnement, et évitez les fonctions qui exigent du nouveau matériel.
- Mesurez l'énergie des appareils pendant les tests, et pas seulement la précision et la vitesse.
- Faites tourner les modèles sur événement, et non en continu, et envoyez des résultats plutôt que des données brutes.
- Si vous achetez des produits d'IA en périphérie, demandez aux fournisseurs l'énergie par inférence et la durée de prise en charge des appareils. Voir l'achat responsable d'IA.
Questions fréquentes
Qu'est-ce que l'IA en périphérie ?
Une IA qui s'exécute sur l'appareil où les données sont collectées, ou à proximité, comme un téléphone, une caméra, une voiture ou un capteur d'usine, plutôt que dans un centre de données distant.
L'IA embarquée est-elle meilleure pour l'environnement ?
Parfois. Elle peut économiser l'énergie nécessaire pour envoyer les données vers le cloud, mais les petits appareils sont moins efficaces que les serveurs partagés, et de nouvelles fonctions d'IA peuvent pousser les gens à acheter du nouveau matériel. L'effet net dépend du cas.
L'IA embarquée vide-t-elle la batterie de mon téléphone ?
Faire tourner un modèle sur un téléphone consomme de la batterie comme toute autre application exigeante. Les fabricants utilisent de petits modèles compressés et des puces dédiées pour limiter cette consommation, mais l'énergie est bien utilisée, et elle n'apparaît dans aucune statistique de centre de données.
Sources
- Data centres and data transmission networks, International Energy Agency (2023)
- Network energy use not directly proportional to data volume: the power model approach for more reliable network energy consumption calculations, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- Number of connected IoT devices (State of IoT 2025), IoT Analytics (2025)
- Apple Intelligence Foundation Language Models: Tech Report 2025, Apple (2025)
- Gemini Nano with Android AICore, Google, Android Developers (2024)
- A case study of environmental footprints for generative AI inference: cloud versus edge, Li, Islam and Ren, ACM SIGMETRICS Performance Evaluation Review (2025)
- Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
- Green AI and energy-aware computing, GreenCode (2026)
Voir aussi
Périphérie ou cloud : où faire tourner l'IA ?
Comparer l'IA embarquée ou en périphérie aux centres de données : énergie, réseau, matériel, vie privée et résilience, avec une méthode de décision pas à pas.
Hébergement et centres de données pour une IA verte
Choisir où l'IA s'exécute : intensité carbone du réseau, PUE et WUE, allégations d'énergie renouvelable, eau et implantation, questions à poser aux hébergeurs.
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.
Les mathématiques qui rendent l'IA plus efficace
Élagage, parcimonie, sketching, matrices aléatoires et modèles informés par la physique : comment les maths réduisent le calcul, la mémoire et l'énergie de l'IA.