En bref
Ni la périphérie ni le cloud ne sont plus verts par principe. Les centres de données centralisés font généralement tourner les grands modèles plus efficacement, tandis que l'IA embarquée ou en périphérie peut éviter du trafic réseau, garder les données en local et fonctionner hors ligne. Décidez au cas par cas, en comparant l'énergie par résultat utile sur l'ensemble du système, appareils, réseau et matériel compris.
Points clés
- Exécutez en local les tâches petites, fréquentes ou sensibles à la latence ; envoyez les tâches lourdes ou rares vers du matériel centralisé efficace.
- L'AIE estime que les réseaux de transmission de données ont consommé 260 à 360 TWh en 2022, soit environ 1 à 1,5 % de l'électricité mondiale, dont environ deux tiers pour les réseaux mobiles.
- L'énergie des réseaux n'est pas simplement proportionnelle au volume de données : les économies par gigaoctet sont donc souvent surestimées.
- Des milliards d'appareils, cela finit par compter : prenez en compte les appareils des utilisateurs, leurs batteries et le matériel qu'ils pourraient devoir remplacer.
- L'IA locale garde les données sur l'appareil, ce qui favorise la vie privée, la souveraineté et la résilience.
L'IA en périphérie est-elle plus verte que l'IA dans le cloud ?
Cela dépend de la tâche, du modèle et de l'appareil : comparez-les sur l'ensemble du système plutôt que de supposer. Les centres de données centralisés font tourner leurs accélérateurs à un taux d'utilisation élevé, avec un refroidissement spécialisé ; ils effectuent donc généralement les calculs d'un grand modèle plus efficacement. L'IA en périphérie, qui tourne sur l'appareil ou sur un serveur proche, évite d'envoyer des données à travers le réseau et peut s'éteindre complètement lorsqu'elle est inactive.
Un « sandpit » britannique de 2026 sur l'IA verte, réunissant mathématiciens, informaticiens et industriels, s'est posé exactement cette question. L'IA se répand dans les capteurs, les caméras, les sonnettes, les voitures et les assistants des téléphones. Multipliée par des millions d'appareils, l'IA locale consomme-t-elle plus ou moins d'énergie que l'envoi des données vers un centre de données ? Les participants ont noté qu'il existe des études énergétiques de bout en bout pour certains petits modèles de vision déployés en périphérie, mais peu pour les grands modèles de langage. La réponse honnête aujourd'hui : mesurez votre propre cas.
Quels sont les compromis ?
Chaque option l'emporte sur des points différents.
| Facteur | Sur l'appareil / en périphérie | Centre de données centralisé |
|---|---|---|
| Énergie par calcul | Généralement plus élevée sur des puces généralistes ; meilleure sur des accélérateurs neuronaux dédiés | Généralement plus faible, surtout à taux d'utilisation élevé |
| Taille du modèle | Petits modèles, souvent quantifiés | Toutes tailles |
| Énergie du réseau | Faible ou nulle | Chaque requête transite |
| Énergie au repos | Peut se mettre en veille ou s'éteindre | Capacité partagée maintenue prête |
| Matériel | Réparti sur des milliards d'appareils ; peut pousser au renouvellement | Concentré, renouvelé tous les quelques ans |
| Latence | Rapide, fonctionne hors ligne | Dépend de la connexion |
| Vie privée | Les données peuvent rester sur l'appareil | Les données échappent au contrôle de l'utilisateur |
| Mesure | Difficile : dispersée, non déclarée | Possible, si les fournisseurs publient leurs chiffres |
| Contrôle | Distribué | Concentré chez quelques fournisseurs |
Quel est le poids du réseau ?
Au total, les réseaux consomment beaucoup d'énergie, mais une grande partie correspond à un socle quasi constant : l'effet d'une requête isolée est donc plus faible que ne le suggèrent les calculateurs par octet.
- L'Agence internationale de l'énergie estime que les réseaux de transmission de données ont consommé 260 à 360 TWh en 2022, soit environ 1 à 1,5 % de l'électricité mondiale, dont environ deux tiers pour les réseaux mobiles.
- En 2024, Mytton, Lundén et Malmodin ont montré que l'énergie des réseaux n'est pas directement proportionnelle au volume de données. Les équipements réseau consomment de l'électricité qu'ils soient occupés ou non ; convertir directement des gigaoctets en kilowattheures surestime donc l'économie obtenue en envoyant moins.
- Réduisez tout de même les données : cela économise de l'énergie sur les serveurs et les appareils, et le trafic évité peut éviter de futures extensions de capacité réseau. Mais n'utilisez pas les économies réseau par gigaoctet comme argument principal en faveur de l'IA en périphérie.
Notez que beaucoup de chiffres publiés par prompt laissent de côté le réseau et les appareils des utilisateurs. Les chiffres de Google pour Gemini en 2025, par exemple, excluent les deux. Vérifiez le périmètre avant de comparer des chiffres en périphérie et dans le cloud.
Et les appareils eux-mêmes ?
Prenez en compte l'énergie, la batterie et le matériel des appareils sur lesquels tourne votre IA : ils font partie de votre empreinte.
- Émissions intrinsèques : la fabrication des appareils émet du carbone. La spécification SCI inclut une part des émissions intrinsèques dans l'empreinte d'un système logiciel. Si l'IA embarquée pousse les gens à remplacer plus tôt des téléphones ou des ordinateurs portables en état de marche, ce coût peut dépasser toute économie liée à l'utilisation.
- L'usure de la batterie est un coût énergétique caché, payé par l'utilisateur. Le sandpit a cité les assistants d'IA des téléphones en exemple.
- Adaptation : la Green Software Foundation suggère de passer à des modèles plus petits ou à une fréquence plus basse lorsque la batterie est faible ou que l'appareil chauffe.
- Échelle : une infime économie ou un infime coût par appareil devient considérable sur des millions d'appareils qui tournent en permanence.
Quel rôle jouent la vie privée et la résilience ?
L'IA locale garde les données sur l'appareil et continue de fonctionner quand la connexion ou le service central tombe en panne.
- Vie privée : les données traitées en local n'ont pas besoin d'être transmises à un fournisseur ni stockées par lui. Cela va dans le sens du principe de minimisation des données inscrit dans le droit britannique et européen de la protection des données, et convient aux données sensibles, comme les dossiers de santé ou ceux des infrastructures critiques. Le sandpit a noté que, dans les secteurs des infrastructures critiques, les données opérationnelles sensibles doivent souvent rester au sein de l'organisation, ce qui exige des modèles locaux efficaces.
- Souveraineté et contrôle : l'inférence distribuée éloigne le contrôle de quelques grands fournisseurs.
- Résilience : le sandpit a aussi soulevé la question de la dépendance : que se passe-t-il quand la société s'appuie sur l'IA et que la connexion ou l'électricité tombe ? Des capacités locales peuvent maintenir les fonctions essentielles.
- Responsabilité : l'IA en périphérie est plus difficile à surveiller. Si vous la déployez, prévoyez comment vous allez la mesurer et en rendre compte.
Comment décider, étape par étape ?
Calculez l'énergie par résultat utile pour chaque option, puis pesez la vie privée, la latence et la résilience.
- Définissez la tâche et son niveau de qualité. Qu'est-ce qu'un résultat réussi ?
- Trouvez le plus petit modèle qui atteint ce niveau (choisir le bon modèle). Les modèles quantifiés demandent moins de mémoire : dans l'étude LLM.int8(), l'inférence en 8 bits a divisé par deux les besoins en mémoire.
- Estimez l'énergie dans le cloud par résultat, en incluant les frais généraux du centre de données et, si possible, le réseau.
- Mesurez l'énergie sur l'appareil par résultat, sur des appareils représentatifs, y compris des modèles anciens et peu puissants.
- Ajoutez les effets sur le matériel : faudra-t-il de nouveaux appareils ou des serveurs de périphérie dédiés ?
- Tenez compte de la fréquence : les tâches petites et fréquentes conviennent souvent à l'appareil ; les tâches rares et lourdes, au cloud.
- Pesez la vie privée, la latence, l'usage hors ligne et la résilience.
- Envisagez une répartition : un petit modèle local traite la plupart des requêtes et transmet les plus difficiles au cloud.
- Mesurez après le déploiement et réexaminez votre choix à mesure que les modèles et le matériel évoluent.
Liste de vérification
- [ ] Énergie par résultat utile comparée pour la périphérie, le cloud et une solution répartie
- [ ] Périmètre incluant les appareils et, si possible, le réseau
- [ ] Plus petit modèle adéquat choisi, quantifié pour les appareils lorsque la qualité tient
- [ ] Aucun renouvellement d'appareil imposé par la fonctionnalité d'IA
- [ ] Batterie et chauffe prises en compte, avec un mode allégé quand la batterie est faible
- [ ] Avantages en matière de vie privée et de protection des données consignés
- [ ] Surveillance prévue pour les déploiements en périphérie
Que faire ensuite
- Choisissez une fonctionnalité d'IA et esquissez ses options en périphérie, dans le cloud et répartie.
- Mesurez l'énergie par résultat sur un appareil typique et estimez l'équivalent dans le cloud ; voir mesurer l'énergie de l'IA.
- Testez un petit modèle quantifié sur le plus ancien appareil que vous prenez en charge.
- Déterminez quelles données doivent rester en local pour des raisons de vie privée ou de souveraineté.
- Lisez l'IA en périphérie pour une vue d'ensemble, et hébergement et centres de données pour le volet cloud.
- Trouvez des outils d'IA en périphérie dans l'annuaire des produits et des groupes de recherche dans la rubrique recherche.
Questions fréquentes
L'IA embarquée est-elle plus verte que l'IA dans le cloud ?
Parfois. Un petit modèle sur un téléphone évite l'énergie du centre de données et du réseau, mais les appareils sont moins efficaces par calcul que les accélérateurs des centres de données, et acheter du nouveau matériel pour faire tourner l'IA a sa propre empreinte. Comparez le système dans son ensemble.
Envoyer des données vers le cloud consomme-t-il beaucoup d'énergie ?
Les réseaux consomment beaucoup d'énergie, mais une grande partie correspond à un socle quasi constant. Réduire les données reste utile pour les appareils et les serveurs, mais les économies réseau par gigaoctet sont généralement surestimées.
Qu'est-ce que l'informatique en périphérie ?
Un calcul effectué près de l'endroit où les données sont produites ou utilisées : sur l'appareil lui-même, ou sur une passerelle ou un petit serveur local proche, plutôt que dans un centre de données éloigné.
Pourquoi la vie privée entre-t-elle en jeu ?
Les données traitées sur l'appareil n'ont pas besoin d'en sortir. Cela réduit l'exposition et peut faciliter le respect des règles de protection des données, comme la minimisation des 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)
- Green Software Patterns: run AI models at the edge, Green Software Foundation (2025)
- Green Software Patterns: optimise power consumption for edge AI inference, Green Software Foundation (2025)
- Measuring the environmental impact of delivering AI at Google scale, Google (arXiv 2508.15734) (2025)
- Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
- Principle (c): Data minimisation, Information Commissioner's Office (2023)
- LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale, Dettmers et al. (arXiv 2208.07339) (2022)
Voir aussi
L'IA en périphérie : plus verte, ou simplement moins visible ?
L'IA embarquée et en périphérie peut économiser l'énergie des réseaux et des centres de données, mais disperse le calcul sur des milliards d'appareils non mesurés.
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.
Comment mesurer l'énergie et le carbone de l'IA
Guide pratique pour mesurer ou estimer l'énergie et le carbone de l'IA : outils, périmètre du système, indicateurs par tâche et incertitude assumée.
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.