# 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.

Source: https://greenai.guide/fr/bonnes-pratiques/choisir-le-bon-modele-pour-la-tache/  
Updated: 2026-11-19

## En bref

Utilisez le plus petit modèle, ou la méthode non IA la plus simple, qui atteint votre niveau de qualité, et réservez les grands modèles généralistes aux cas qui en ont besoin. Les modèles spécialisés peuvent consommer une petite fraction de l'énergie des modèles génératifs polyvalents, et le routage permet de tirer parti de l'un et de l'autre.

## Points clés

- Demandez-vous d'abord si la tâche a vraiment besoin d'IA ; des règles, une recherche ou un algorithme classique suffisent souvent.
- Pour les mêmes tâches, les modèles spécialisés se sont révélés plusieurs ordres de grandeur moins coûteux à exécuter que les modèles génératifs polyvalents.
- L'UNESCO et UCL indiquent que de petits modèles spécialisés peuvent réduire la consommation d'énergie jusqu'à 90 %.
- Le routage envoie les requêtes faciles vers de petits modèles et les difficiles vers de grands modèles ; réglez les seuils avec soin, car une tentative ratée sur un petit modèle suivie d'une relance peut coûter plus cher.
- Les chaînes de traitement hybrides utilisent des méthodes classiques ou physiques pour la plupart des étapes, et un petit réseau seulement là où il apporte quelque chose.

## Pourquoi le choix du modèle compte-t-il autant ? {#why-does-model-choice-matter-so-much}

**Le choix du modèle est généralement le levier le plus important sur l'énergie consommée par une fonctionnalité
d'IA.** Une même tâche peut être accomplie par des modèles dont les coûts d'exécution diffèrent de plusieurs ordres
de grandeur.

Dans une comparaison systématique publiée à l'ACM FAccT 2024, Luccioni, Jernite et Strubell ont mesuré l'énergie
nécessaire pour exécuter 1 000 inférences sur de nombreuses tâches et de nombreux modèles. Ils ont constaté que les
modèles génératifs polyvalents étaient plusieurs ordres de grandeur plus coûteux que les systèmes spécialisés pour
les mêmes tâches, même à taille de modèle égale. Un rapport de l'UNESCO et d'UCL publié en 2025 a montré que de petits
modèles adaptés à des tâches précises peuvent réduire la consommation d'énergie jusqu'à 90 %.

Le principe est simple : à chaque requête, un modèle généraliste paie pour des connaissances et des capacités dont
votre tâche ne se sert jamais.

## Cette tâche a-t-elle vraiment besoin d'IA ? {#does-this-task-need-ai-at-all}

**Vérifiez d'abord si une méthode sans IA fait déjà le travail.** L'inférence la moins coûteuse est celle que vous
n'exécutez jamais.

Un « sandpit » britannique de 2026 sur l'IA verte, réunissant mathématiciens, informaticiens et industriels, est
revenu à plusieurs reprises sur ce point : on se tourne souvent vers l'IA alors qu'un algorithme bien connu existe
déjà, et le calcul le plus vert est souvent celui que l'on évite. Les Web Sustainability Guidelines du W3C demandent
elles aussi aux équipes d'évaluer le besoin d'IA avant de la mettre en œuvre.

Demandez-vous :

- Une **règle, une table de correspondance ou une expression régulière** pourrait-elle suffire ?
- Une **recherche** dans vos propres contenus pourrait-elle répondre à la question ?
- Existe-t-il une **méthode numérique ou statistique éprouvée** (un optimiseur, une régression, un solveur) ?
- La réponse doit-elle être **exactement reproductible ou auditable** ? Les méthodes déterministes sont plus faciles
  à vérifier.
- À quelle fréquence cela va-t-il tourner ? Une fonctionnalité utilisée des millions de fois mérite plus d'effort de
  conception qu'un usage ponctuel.

L'IA n'est pas gratuite, même quand elle fait gagner du temps. Une étude de 2025 comparant le développement manuel et
le développement assisté par IA sur 12 tâches de programmation a montré que l'approche assistée avait en moyenne une
empreinte carbone environ 33 fois supérieure à celle de l'approche manuelle, l'écart se creusant à mesure que les
tâches devenaient plus difficiles. Cela ne veut pas dire qu'il ne faut jamais utiliser d'assistants ; cela veut dire
qu'il faut les utiliser là où ils sont clairement rentables.

## Petit modèle, modèle spécialisé ou modèle de pointe ? {#small-specialised-or-frontier}

**Adaptez le modèle à la tâche, pas à l'outil le plus puissant disponible.**

| Type de tâche | Généralement suffisant | Quand passer à plus grand |
|---|---|---|
| Classer, étiqueter, router, détecter le spam ou le sentiment | Un petit classifieur spécialisé | Rarement |
| Extraire des champs de documents | Un petit modèle ou un modèle affiné, ou des règles | Mises en page désordonnées et variées |
| Recherche et questions-réponses sur vos propres contenus | Recherche documentaire plus un modèle petit ou moyen | Raisonnement complexe sur plusieurs documents |
| Traduction, résumé | Un modèle moyen ou spécialisé | Textes à fort enjeu ou nuancés |
| Raisonnement ouvert, planification, code difficile | Un grand modèle généraliste | C'est là qu'il vaut son coût |

On peut obtenir de petits modèles spécialisés de plusieurs façons, présentées dans
[entraînement et inférence efficaces](/fr/bonnes-pratiques/entrainement-et-inference-efficaces/) :

- **Distillation :** un grand modèle « enseignant » entraîne un petit modèle « élève ». DistilBERT était 40 % plus
  petit que BERT et 60 % plus rapide, tout en conservant 97 % de ses capacités de compréhension du langage.
- **Affinage d'un petit modèle** (fine-tuning) sur les données de votre propre tâche.
- **Versions quantifiées** d'un modèle existant, qui demandent moins de mémoire et d'énergie.

Lorsque des bancs d'essai publics existent, comparez les candidats sur l'énergie autant que sur la qualité. L'AI
Energy Score de Hugging Face note les modèles selon l'énergie GPU consommée pour 1 000 requêtes, sur dix tâches
courantes, avec une à cinq étoiles par rapport aux autres modèles évalués sur la même tâche.

## Comment fonctionne le routage de modèles ? {#how-does-model-routing-work}

**Un routeur envoie chaque requête au modèle le moins coûteux susceptible d'y répondre correctement, et ne passe à
un modèle plus grand qu'en cas de besoin.**

Conceptions courantes :

1. **Classifieur d'abord :** un petit modèle ou un ensemble de règles estime la difficulté d'une requête et choisit
   un modèle.
2. **Cascade :** on essaie le petit modèle ; si sa confiance est faible ou si une vérification échoue, on passe à un
   modèle plus grand.
3. **Routeur appris :** entraîné sur des exemples indiquant quel modèle a bien réussi sur quelle requête. L'étude
   RouteLLM a fait état de réductions de coût de plus de moitié dans certains cas, sans baisse de la qualité des
   réponses.

### Réglez le seuil avec soin {#set-the-threshold-carefully}

Le sandpit a soulevé une réserve importante : dans les systèmes agentiques, un modèle trop petit peut échouer, ce qui
oblige à tout relancer sur le grand modèle. Une tentative bon marché ratée suivie d'une relance coûteuse peut revenir
plus cher que de passer directement par le grand modèle. Donc :

- mesurez le coût de bout en bout par tâche **réussie**, et non par appel ;
- réglez le seuil d'escalade sur vos propres données ;
- consignez la fréquence des escalades, et réexaminez-la quand les modèles changent ;
- confiez la décision de routage au système, pas à l'utilisateur final.

## Que sont les chaînes de traitement hybrides ? {#what-are-hybrid-pipelines}

**Les chaînes de traitement hybrides utilisent des méthodes classiques, physiques ou à base de règles pour la
plupart des étapes, et un petit modèle seulement là où il apporte quelque chose.** Elles sont souvent moins
coûteuses, plus précises et plus dignes de confiance qu'une approche neuronale de bout en bout.

Exemples :

- Un modèle physique ou numérique réalise la simulation ; un petit composant appris remplace seulement sa partie la
  plus coûteuse (un « substitut », ou surrogate).
- Du code déterministe gère l'analyse, la validation et la mise en forme ; un modèle ne traite que le jugement sur le
  texte libre.
- Un modèle génératif planifie ou choisit, mais le résultat est assemblé à partir d'une bibliothèque de composants
  déjà vérifiés au lieu d'être généré de zéro à chaque fois. Voir
  [l'orchestration plutôt que la génération](/fr/articles/l-orchestration-plutot-que-la-generation/).

Le sandpit a aussi abordé l'intégration de structures mathématiques ou physiques (symétries, lois de conservation,
convexité) dans les modèles, afin qu'ils aient besoin de moins de paramètres et de moins d'entraînement. Voir
[les mathématiques au service d'une IA efficace](/fr/articles/les-mathematiques-qui-rendent-l-ia-plus-efficace/).

## Liste de vérification {#checklist}

- [ ] Méthode non IA la plus simple décrite et testée en premier
- [ ] Niveau de qualité défini sur vos propres cas réels
- [ ] Au moins un petit modèle ou modèle spécialisé testé par rapport à ce niveau
- [ ] Énergie par requête comparée pour chaque candidat, mesurée de la même manière
- [ ] Grand modèle utilisé uniquement là où le petit n'atteint pas le niveau
- [ ] Coût du routage mesuré par tâche réussie, relances comprises
- [ ] Choix consigné, avec une date de réexamen

## Que faire ensuite {#what-to-do-next}

1. Dressez la liste de vos fonctionnalités d'IA et indiquez celles qui pourraient utiliser un modèle plus petit, une
   méthode classique ou pas d'IA du tout.
2. Constituez un petit jeu d'évaluation de cas réels, avec un seuil de réussite.
3. Testez deux ou trois tailles de modèle sur ce jeu et [mesurez l'énergie](/fr/bonnes-pratiques/comment-mesurer-l-energie-et-le-carbone-de-l-ia/) de chacune.
4. Expérimentez le routage sur une fonctionnalité à fort volume et suivez le coût par tâche réussie.
5. Inscrivez « utiliser le plus petit modèle qui atteint le niveau » dans votre
   [politique d'IA verte](/fr/bonnes-pratiques/rediger-une-politique-d-ia-verte/).
6. Demandez à vos fournisseurs quelles tailles de modèle ils proposent et quelle est leur consommation d'énergie par
   requête ; voir [achats d'IA durables](/fr/bonnes-pratiques/achat-d-ia-durable/).

## Questions fréquentes

### Les petits modèles de langage sont-ils assez bons ?

Pour beaucoup de tâches bien définies, comme la classification, l'extraction et le routage, oui. Testez-les sur vos propres cas, avec un niveau de qualité clair, avant de décider.

### Qu'est-ce que le routage de modèles ?

Un routeur examine chaque requête et l'envoie au modèle le moins coûteux susceptible de bien la traiter, en ne passant à un modèle plus grand qu'en cas de besoin. Dans certains tests, des routeurs publiés ont réduit les coûts de plus de moitié sans baisse de qualité.

### Quand ne pas utiliser l'IA ?

Quand une règle, une table de correspondance, une recherche ou une méthode numérique éprouvée accomplit déjà la tâche de façon fiable. Ces solutions sont généralement moins coûteuses, plus rapides, plus prévisibles et plus faciles à vérifier.

### Un modèle plus grand est-il toujours plus précis ?

Non. Pour des tâches ciblées, un petit modèle affiné ou distillé peut égaler ou dépasser un modèle généraliste, et ses erreurs sont souvent plus faciles à comprendre.

## Sources

- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT 2024 (arXiv 2311.16863) (2024)
- [AI large language models: new report shows small changes can reduce energy use by 90%](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO (2025)
- [RouteLLM: Learning to Route LLMs with Preference Data](https://arxiv.org/abs/2406.18665), Ong et al. (arXiv 2406.18665) (2024)
- [DistilBERT, a distilled version of BERT](https://arxiv.org/abs/1910.01108), Sanh et al. (arXiv 1910.01108) (2019)
- [Comparative Analysis of Carbon Footprint in Manual vs. LLM-Assisted Code Development](https://arxiv.org/abs/2505.04521), arXiv 2505.04521 (2025)
- [Green Software Patterns: right-sized, energy-efficient AI models](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/development/right-sized-energy-efficient-ai-models.md), Green Software Foundation (2025)
- [AI Energy Score](https://huggingface.github.io/AIEnergyScore/), Hugging Face (2025)
- [Web Sustainability Guidelines](https://www.w3.org/TR/web-sustainability-guidelines/), W3C (2025)
