greenai.guide

Accueil › Articles › Le paradoxe de Jevons et l'IA : pourquoi l'efficacité ne suffit pas

Article

Le paradoxe de Jevons et l'IA : pourquoi l'efficacité ne suffit pas

Mis à jour · 9 min de lecture

En bref

Le paradoxe de Jevons est le constat, formulé pour la première fois par William Stanley Jevons en 1865, qu'une utilisation plus efficace du charbon a conduit la Grande-Bretagne à en brûler davantage, et non moins. Dans l'IA, chaque requête devient bien moins chère et plus efficace, et pourtant la consommation totale d'électricité des centres de données augmente rapidement. Des chercheurs qui étudient l'impact climatique du numérique soutiennent que l'efficacité ne permet de réelles baisses d'émissions que lorsque les émissions totales sont plafonnées.

Points clés

  • Le paradoxe de Jevons : rendre une ressource moins chère à utiliser peut en accroître l'usage total. Jevons l'a montré pour le charbon en 1865.
  • L'effet rebond peut être direct (plus de la même tâche), indirect (économies dépensées ailleurs) ou à l'échelle de l'économie ; lorsqu'il dépasse l'économie réalisée, on parle d'effet boomerang (« backfire »).
  • Google a indiqué que l'énergie de son prompt textuel Gemini médian avait été divisée par 33 en un an, tandis que l'AIE prévoit que la consommation d'électricité des centres de données fera plus que doubler d'ici 2030.
  • Freitag, Berners-Lee et leurs collègues ont constaté que l'empreinte climatique des TIC est sous-estimée et soutiennent que les économies attribuées aux TIC reposent sur des preuves fragiles.
  • Widdicks et ses collègues concluent que des gains d'efficacité sous contrainte d'émissions sont le seul moyen de transformer l'efficacité en véritables baisses d'émissions.
  • En pratique : mesurez les totaux, fixez des budgets ou des plafonds, retirez la capacité libérée et n'utilisez l'IA que là où elle apporte de la valeur.

L'IA devient très rapidement plus efficace, et sa consommation totale d'énergie augmente très rapidement. Ces deux faits ne sont pas contradictoires. Ils relèvent d'un schéma vieux de 160 ans, connu sous le nom de paradoxe de Jevons. Cet article explique le paradoxe, les éléments qui montrent qu'il s'applique à l'IA, les inquiétudes soulevées par des chercheurs face au numérique présenté comme une solution climatique, et ce qui transforme réellement l'efficacité en baisse des émissions. Pour les bases sur l'efficacité et la sobriété, commencez par l'efficacité n'est pas la sobriété.

Qu'est-ce que le paradoxe de Jevons ?

Le paradoxe de Jevons, c'est lorsqu'une utilisation plus efficace d'une ressource conduit à en utiliser davantage, et non moins. L'économiste William Stanley Jevons l'a exposé dans The Coal Question en 1865, un livre consacré à la question de savoir si les mines de charbon britanniques allaient s'épuiser.

Jevons n'était pas de cet avis. Il écrivait que « c'est une pure confusion d'idées que de supposer que l'usage économe du combustible équivaut à une consommation réduite. C'est tout le contraire qui est vrai. » Son raisonnement était qu'une énergie à vapeur moins chère rendait le charbon intéressant pour bien plus de tâches, si bien que la demande totale augmentait plus vite que ne baissait la consommation de chaque machine.

L'enseignement n'est pas que l'efficacité est mauvaise. C'est que l'efficacité change le prix de ce que l'on fait, et que les personnes, les entreprises et des économies entières réagissent aux prix.

Qu'est-ce que l'effet rebond ?

L'effet rebond est le surcroît d'usage que déclenche un gain d'efficacité, et qui grignote l'économie réalisée. Le paradoxe de Jevons en est la forme la plus extrême. Widdicks et ses collègues, dans un article de 2023 paru dans la revue Patterns, en décrivent les principaux types :

Type Ce qui se passe Exemple dans l'IA
Rebond direct Le même service devient moins cher, donc il est davantage utilisé Des prompts moins chers entraînent plus de prompts, des réponses plus longues et plus d'appels d'agents
Rebond indirect L'argent ou le temps économisé est dépensé pour d'autres choses qui consomment aussi de l'énergie (l'« effet revenu » et le « rebond temporel ») Le temps gagné grâce à un assistant d'IA est consacré à des activités plus gourmandes en énergie
Rebond à l'échelle de l'économie L'économie dans son ensemble s'ajuste : de nouveaux produits, marchés et secteurs se développent grâce à l'intrant moins cher L'IA intégrée par défaut dans la recherche en ligne, les téléphones et les logiciels de bureautique

Lorsque le rebond dépasse l'économie réalisée, de sorte que l'usage total ou les émissions augmentent, on parle d'effet boomerang (« backfire »). Les mêmes auteurs notent qu'à l'échelle de l'économie mondiale, les gains d'efficacité énergétique de la plupart des produits et services sont allés de pair avec une croissance moyenne des émissions mondiales de carbone de 1,8 % par an depuis 1850. Ils prennent soin de préciser que cela ne prouve pas que l'efficacité entraîne des émissions plus élevées, seulement que, pour que ce ne soit pas le cas, les émissions auraient dû augmenter beaucoup plus vite sans l'efficacité.

Voir le glossaire pour effet rebond et paradoxe de Jevons.

Le paradoxe de Jevons se produit-il dans l'IA ?

Les éléments disponibles vont dans ce sens : l'énergie par requête baisse rapidement tandis que la consommation totale d'électricité des centres de données grimpe. Deux chiffres très cités, issus de sources différentes, montrent ce schéma :

  • Par requête. Google a indiqué en 2025 que son prompt textuel médian dans les applications Gemini consomme 0,24 Wh d'énergie, et que sur une période de 12 mois l'énergie par prompt médian a été divisée par 33 et son empreinte carbone par 44.
  • Au total. L'Agence internationale de l'énergie (AIE) estime que les centres de données ont consommé environ 415 TWh en 2024, soit environ 1,5 % de l'électricité mondiale, et que cette consommation augmente d'environ 12 % par an depuis 2017. Elle prévoit qu'elle fera plus que doubler pour atteindre environ 945 TWh d'ici 2030, l'IA étant « le principal moteur de cette croissance ».

Ces chiffres ne prouvent pas à eux seuls un lien de cause à effet, car la demande d'IA croît aussi pour d'autres raisons que le prix. Mais ils montrent que d'importants gains par requête n'ont pas empêché l'usage total d'augmenter. L'AIE elle-même considère la vitesse des progrès d'efficacité comme l'une des principales incertitudes de ses perspectives : selon ses scénarios, la demande des centres de données en 2035 va de 700 à 1 700 TWh.

L'IA présente des caractéristiques qui rendent l'effet rebond particulièrement probable. Une inférence moins chère permet aux fournisseurs de faire de l'IA l'option par défaut dans des outils que les gens utilisent déjà, et permet aux agents d'effectuer de nombreux appels de modèle par tâche (voir l'IA agentique et le gaspillage de tokens). Les économies sont aussi souvent dépensées en capacités, comme des modèles plus grands ou un contexte plus long, plutôt que mises de côté.

Quelles inquiétudes Mike Berners-Lee et ses collègues ont-ils soulevées ?

Ils soutiennent que l'impact climatique du numérique est sous-estimé, que ses gains d'efficacité sont régulièrement annulés par la demande, et que les affirmations de bénéfice climatique exigent des preuves bien meilleures. Mike Berners-Lee, fondateur de Small World Consulting, basé à l'université de Lancaster, est un spécialiste de l'empreinte carbone et coauteur de deux articles parus dans Patterns sur cette question.

L'empreinte est plus grande que ce qui est déclaré

Freitag, Berners-Lee, Widdicks, Knowles, Blair et Friday ont passé en revue en 2021 les estimations de l'impact climatique des technologies de l'information et de la communication (TIC). Ils ont constaté que les études évaluées par les pairs situaient les TIC à 1,8-2,8 % des émissions mondiales de gaz à effet de serre, mais que cette part pourrait atteindre 2,1-3,9 % une fois comptées les chaînes d'approvisionnement omises par les analyses de cycle de vie classiques (l'« erreur de troncature »).

L'efficacité n'a pas réduit le total

La même revue a constaté que la demande de calcul et d'appareils par personne avait dépassé les progrès d'efficacité, de sorte que la consommation d'énergie et l'empreinte des TIC ont continué d'augmenter d'année en année. Tous les analystes étudiés s'accordaient à dire que les émissions des TIC « ne diminueront pas sans efforts concertés majeurs impliquant une large action politique et industrielle ». Les auteurs ont avancé des raisons de s'attendre à une hausse des émissions sans intervention, et ont jugé peu probable un pic naturel dû à une saturation de la demande. Pour être juste, ils rapportent aussi le point de vue opposé du chercheur Jens Malmodin, communiqué à titre personnel, selon lequel les émissions des TIC se sont stabilisées pour l'instant et pourraient être divisées par deux d'ici 2030.

Les affirmations sur « l'IA pour le climat » manquent de preuves d'un bénéfice net

Des rapports du secteur ont affirmé que les TIC pourraient faire économiser plusieurs fois leurs propres émissions dans d'autres secteurs. Freitag et ses collègues soutiennent que ces estimations ne traitent l'effet rebond que de façon très limitée, et que les TIC sont aussi susceptibles de favoriser la croissance, y compris dans des industries fortement carbonées, que de réduire les émissions. Ils écrivent que, « malgré des preuves discutables que les tendances de croissance des TIC permettront d'économiser plus d'émissions de carbone qu'elles n'en introduiront », la blockchain, l'internet des objets et l'IA bénéficient d'investissements et d'une adoption croissants. Les TIC ne font économiser des émissions ailleurs, soutiennent-ils, que si elles remplacent une activité fortement carbonée au lieu de s'y ajouter.

Cela ne signifie pas que l'IA ne peut pas aider le climat. Cela signifie que chaque affirmation doit démontrer un bénéfice net, en comptant l'empreinte propre de l'IA et l'effet rebond. Voir IA verte et IA au service de l'environnement.

L'efficacité a besoin d'un plafond

L'article de 2023 de Widdicks et de ses collègues, fondé sur un atelier réunissant 19 experts, conclut que « des gains d'efficacité sous contrainte d'émissions de GES sont le seul moyen de transformer l'efficacité en véritables réductions d'émissions ». La revue de 2021 soutient qu'en l'absence de contrainte carbone mondiale, une nouvelle réglementation est nécessaire pour maintenir l'empreinte des TIC en cohérence avec l'accord de Paris. Les deux articles présentent un plafond comme bénéfique pour le secteur aussi : sous contrainte, l'efficacité prend plus de valeur, et non moins.

Dans ses propres mots

S'adressant à des responsables du numérique au sein de l'administration à Londres en février 2026, Berners-Lee a résumé le problème du rebond par « plus c'est efficace, plus on en fait », et a averti que « beaucoup de gens frappent chaque problème avec la masse de l'IA et de l'apprentissage automatique », selon un compte rendu de THINK Digital Partners.

Qu'est-ce qui transforme l'efficacité en économies réelles ?

Associez chaque gain d'efficacité à une limite sur le total, et mesurez le total. Les travaux ci-dessus mettent en évidence cinq leviers pratiques.

Travailler avec un budget ou un plafond

Fixez un budget absolu d'énergie, d'émissions, de calcul ou de tokens pour un produit, une équipe ou un projet, et maintenez-le à mesure que l'efficacité progresse. L'efficacité vous permet alors d'en faire plus dans les limites du budget au lieu de faire grimper le total.

Mesurer l'impact absolu, pas seulement les chiffres unitaires

Affirmer qu'un modèle est « dix fois plus efficace » ne dit rien sur une éventuelle baisse des émissions totales. Déclarez l'énergie et les émissions totales dans le temps en plus de l'énergie par tâche. Voir comment mesurer l'énergie de l'IA.

Pratiquer la sobriété

Utilisez l'IA là où elle apporte une réelle valeur, et le plus petit modèle suffisant lorsque vous le faites. Une formule, une recherche ou une requête dans une base de données fait souvent le travail avec une fraction de l'énergie. Voir sobriété.

Mettre les économies de côté

Lorsqu'un projet d'efficacité libère de la capacité, décidez à l'avance de ce qu'elle deviendra. Retirer des serveurs, de la capacité cloud réservée ou des licences verrouille l'économie ; les laisser tourner invite de nouveaux usages à les remplir. Voir comment éviter que les gains d'efficacité soient annulés.

Utiliser des leviers politiques qui agissent sur les totaux

La tarification du carbone, les plafonds d'émissions, les limites de raccordement au réseau et la déclaration de la consommation absolue d'énergie agissent sur la demande totale d'une manière que les seules normes d'efficacité ne permettent pas. Voir les politiques publiques pour une IA verte.

Que faire ensuite ?

  • Ajoutez l'énergie ou les émissions totales de l'IA à vos rapports réguliers, à côté des chiffres par tâche.
  • Fixez un budget ou un plafond pour le calcul ou les émissions de l'IA, et maintenez-le lorsque l'efficacité progresse.
  • Avant chaque projet d'efficacité, décidez si la capacité libérée sera retirée ou réutilisée.
  • Demandez-vous si chaque nouvelle fonctionnalité d'IA est nécessaire, et si elle doit être activée par défaut.
  • Traitez toute affirmation selon laquelle l'IA réduira les émissions ailleurs comme une hypothèse à tester, effet rebond compris.
  • Lisez l'efficacité n'est pas la sobriété et IA verte et IA au service de l'environnement pour une vue d'ensemble.

Questions fréquentes

Qu'est-ce que le paradoxe de Jevons ?

Le constat de l'économiste William Stanley Jevons, dans son livre The Coal Question de 1865, qu'une utilisation plus efficace du charbon conduisait à en consommer davantage, car l'efficacité rendait le travail fourni par le charbon moins cher et donc plus répandu.

Une IA plus efficace réduit-elle les émissions ?

Par requête, oui. Au total, pas forcément : des requêtes moins chères encouragent un usage bien plus important. La consommation totale d'électricité des centres de données continue d'augmenter rapidement alors même que l'énergie par prompt baisse ; l'efficacité ne réduit donc les émissions globales que si l'usage total ou les émissions sont aussi limités.

Qu'est-ce que l'effet rebond dans l'IA ?

Le surcroît d'usage de l'IA qui suit lorsqu'elle devient moins chère ou plus facile, et qui grignote l'énergie économisée. Il peut être direct (plus de prompts), indirect (l'argent ou le temps économisé est dépensé pour d'autres choses qui consomment de l'énergie) ou à l'échelle de l'économie (de nouveaux produits et secteurs fondés sur une IA bon marché).

Qu'est-ce que l'effet boomerang (backfire) ?

L'effet boomerang (« backfire ») est un effet rebond si important que la consommation totale ou les émissions finissent par être plus élevées qu'avant le gain d'efficacité. Le paradoxe de Jevons en est un exemple.

Que disent Mike Berners-Lee et ses coauteurs sur l'IA et le climat ?

Dans des articles évalués par les pairs, ils soutiennent que l'empreinte des TIC est sous-estimée, que les gains d'efficacité tendent à être annulés par la croissance de la demande, que les preuves d'un bénéfice climatique net des TIC, y compris de l'IA, sont discutables, et qu'un plafond d'émissions est nécessaire pour que l'efficacité produise de réelles baisses.

Comment éviter que les gains d'efficacité soient annulés ?

Mesurez l'énergie ou les émissions totales en plus de l'énergie par tâche, fixez un budget ou un plafond, décidez à l'avance du sort de la capacité libérée, et n'utilisez l'IA que là où elle apporte assez de valeur.

Sources

  1. The Coal Question, W. Stanley Jevons, Macmillan (digitised copy, Internet Archive) (1865)
  2. Systems thinking and efficiency under emissions constraints: Addressing rebound effects in digital innovation and policy, Widdicks, Lucivero, Samuel, Somavilla Croxatto, Smith, Ten Holter, Berners-Lee, Blair, Jirotka, Knowles, Sorrell, Börjesson Rivera, Cook, Coroamă, Foxon, Hardy, Hilty, Hinterholzer and Penzenstadler, Patterns (2023)
  3. 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)
  4. Energy and AI, International Energy Agency (2025)
  5. Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
  6. "We're heading for something pretty grim": Mike Berners-Lee warns digital leaders on climate, THINK Digital Partners (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