En bref
Mesurez d'abord une référence, puis fixez ensemble deux types d'objectifs : un objectif d'intensité (énergie ou émissions par tâche utile) et un objectif absolu ou un plafond sur le total. L'intensité montre l'efficacité ; le chiffre absolu montre si la croissance de l'usage absorbe les économies. Réexaminez-les au moins une fois par an, à mesure que les modèles et l'usage évoluent.
Étapes
- Mesurez ou estimez une référence pour vos principaux usages de l'IA, avec une méthode écrite.
- Choisissez une unité fonctionnelle, comme l'énergie par requête ou par document traité.
- Fixez un objectif d'intensité par unité et un objectif absolu ou un plafond sur le total.
- Ajoutez des objectifs de moyens que vous maîtrisez directement, comme la part des requêtes servies par de petits modèles.
- Faites chaque année le point sur les progrès et sur la méthode, et recalculez la référence si la méthode change.
Fixez ensemble un objectif d'intensité et un objectif absolu, à partir d'une référence mesurée. L'un ou l'autre seul peut induire en erreur : les chiffres par tâche peuvent baisser alors que le total grimpe, et un total peut sembler correct simplement parce que l'usage n'a pas encore augmenté.
Pourquoi deux objectifs ?
L'efficacité par requête peut s'améliorer très vite. Google indique que l'énergie de son prompt texte médian sur Gemini a été divisée par 33 en un an. Mais une IA moins coûteuse tend à être davantage utilisée, ce que Luccioni, Strubell et Crawford analysent sous le nom d'effet rebond ou paradoxe de Jevons. Un objectif d'intensité saisit le premier phénomène ; un objectif absolu ou un plafond saisit le second.
À quoi doivent ressembler les objectifs ?
| Type | Exemple |
|---|---|
| Intensité | Énergie par document traité réduite d'une part fixée par rapport à la référence |
| Absolu | Électricité totale de l'IA, ou émissions estimées, maintenue au niveau d'un plafond ou en dessous |
| Moyens | Part des requêtes traitées par de petits modèles ; part des fournisseurs fournissant des données par requête |
La spécification Software Carbon Intensity de la Green Software Foundation fournit une mesure d'intensité toute faite : les émissions par unité fonctionnelle, calculées avec des données de réseau fondées sur la localisation. Consultez calculer un score SCI.
Erreurs fréquentes
- Pas de référence. Consultez établir une référence.
- Des objectifs atteints grâce à des certificats. Acheter des certificats peut modifier un chiffre fondé sur le marché sans changer la consommation d'énergie. Gardez au moins un objectif en kilowattheures.
- Changer la méthode sans le dire. Si la méthode s'améliore, recalculez la référence.
- Des objectifs que personne ne maîtrise. Associez les objectifs de résultat à des objectifs de moyens sur lesquels les équipes peuvent agir.
La méthode derrière les chiffres se trouve dans comment mesurer l'énergie de l'IA.
Sources
- Software Carbon Intensity specification, Green Software Foundation (2024)
- From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
Voir aussi
Comment établir une référence pour prouver des économies d'énergie liées à l'IA ?
Prouvez une économie d'énergie : mesurez avant tout changement à configuration et charge égales, répétez, rapportez à l'unité, vérifiez la qualité.
Comment suivre l'énergie de l'IA par tâche plutôt qu'au total ?
Choisissez une unité fonctionnelle, par document ou par tâche réussie, enregistrez énergie et qualité par unité, et présentez-les à côté du total.
Comment éviter que les gains d'efficacité de l'IA soient annulés par un usage accru ?
Éviter que les économies d'efficacité soient absorbées par l'usage : suivre les totaux, plafonner, libérer la capacité, interroger le besoin.
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.