# Comment faire… ? Des réponses pour réduire l’impact de l’IA

> Des réponses courtes et sourcées aux questions que l’on se pose pour réduire l’impact environnemental de l’usage et du développement de l’IA.

Source: https://greenai.guide/fr/comment/

97 réponses directes aux questions que l’on se pose pour utiliser l’IA avec moins d’énergie, d’eau et de déchets : pour les utilisateurs au quotidien, les développeurs, les organisations et les écoles. Chaque réponse vient d’abord, puis les étapes et les sources.

## Usage quotidien de l’IA

- [Comment aider ma famille à utiliser l'IA de façon plus durable ?](https://greenai.guide/how-do-i/help-my-family-use-ai-sustainably/): Mettez-vous d'accord sur quelques habitudes simples à la maison plutôt que sur des règles : utiliser l'outil le plus simple qui fonctionne, poser des questions claires, affiner plutôt que régénérer, et considérer les images et vidéos d'IA comme un divertissement occasionnel plutôt qu'infini. Garder plus longtemps les téléphones, tablettes et ordinateurs compte aussi, car la fabrication des appareils a elle aussi une empreinte.
- [Comment arrêter de régénérer sans cesse les réponses de l'IA ?](https://greenai.guide/how-do-i/stop-regenerating-ai-answers/): Cherchez pourquoi la première réponse n'a pas convenu, puis dites à l'IA ce qu'il faut changer dans une courte relance au lieu d'appuyer sur « régénérer ». Chaque régénération est une réponse entièrement nouvelle : l'habitude de « relancer les dés » cinq ou dix fois multiplie donc l'énergie d'une tâche, surtout pour les images et la vidéo.
- [Comment compenser le carbone de mon usage de l'IA ?](https://greenai.guide/how-do-i/offset-the-carbon-of-my-ai-use/): Réduisez d'abord, et considérez la compensation comme un complément facultatif plutôt que comme un moyen de rendre votre usage de l'IA « neutre en carbone ». Pour la plupart des gens, l'empreinte de l'IA textuelle au quotidien est faible, et réduire les usages lourds, comme la génération d'images et de vidéos ou les régénérations sans fin, fait plus que l'achat de crédits. Les normes de mesure du carbone des logiciels ne permettent pas aux compensations de réduire l'empreinte mesurée.
- [Comment désactiver les fonctions d'IA dont je n'ai pas besoin ?](https://greenai.guide/how-do-i/turn-off-ai-features-i-dont-need/): Ouvrez les réglages de chaque application, téléphone, navigateur ou suite bureautique que vous utilisez, cherchez les sections qui portent le nom de leur assistant d'IA ou de « fonctions intelligentes », et désactivez ce que vous n'utilisez pas. Les fonctions qui s'exécutent automatiquement sur chaque e-mail, page ou document consomment de l'énergie que vous lisiez le résultat ou non : les réglages par défaut comptent donc.
- [Comment faire une recherche sur le web sans réponses d'IA inutiles ?](https://greenai.guide/how-do-i/get-search-results-without-ai-answers/): Cherchez une option ou un filtre de recherche qui affiche de simples liens web, choisissez un moteur de recherche ou un réglage sans réponses d'IA automatiques, ou allez directement sur les sites de confiance grâce à vos favoris. Une réponse d'IA générée à chaque recherche ajoute un travail de modèle dont vous n'avez peut-être pas besoin, surtout pour des recherches simples comme des horaires d'ouverture ou un site web connu.
- [Comment parler à mes enfants de l'IA et de l'environnement ?](https://greenai.guide/how-do-i/talk-to-children-about-ai-and-the-environment/): Expliquez que l'IA fonctionne sur des ordinateurs puissants installés dans de grands bâtiments appelés centres de données, qui consomment de l'électricité et souvent de l'eau pour rester au frais, et que certains usages, comme créer des images et des vidéos, demandent bien plus que d'autres. Restez calme et concret : le but est d'utiliser l'IA de manière réfléchie, pas de culpabiliser.
- [Comment relativiser la consommation d'énergie de mon usage de l'IA ?](https://greenai.guide/how-do-i/put-my-ai-energy-use-in-perspective/): Une question textuelle ordinaire posée à un chatbot consomme, selon les chiffres publiés, une fraction de wattheure, à peu près ce qu'un four consomme en une seconde environ. Les images, les vidéos, les longs documents et les modes de raisonnement peuvent consommer bien davantage, et le total mondial augmente vite : « ce n'est rien » et « c'est une catastrophe » passent donc tous deux à côté de l'essentiel.
- [Comment rédiger des prompts qui consomment moins d'énergie ?](https://greenai.guide/how-do-i/write-prompts-that-use-less-energy/): Rédigez des prompts courts et précis qui disent exactement ce que vous voulez, ne donnez que le contexte dont le modèle a besoin, et fixez une longueur pour la réponse. L'énergie augmente avec la quantité de texte qu'un modèle lit et écrit : réduire les deux, et obtenir une réponse utilisable du premier coup, est ce qui économise le plus.
- [Comment réduire l'impact de la génération d'images et de vidéos par IA ?](https://greenai.guide/how-do-i/cut-impact-of-ai-image-and-video-generation/): Générez moins d'images et de vidéos, préparez le prompt avant de commencer, gardez les vidéos courtes et à la résolution dont vous avez besoin, et réutilisez les bons résultats. Dans une étude, la génération d'images consommait plus de mille fois plus d'énergie par requête que la classification de texte, et une courte vidéo d'IA peut coûter bien davantage encore.
- [Comment réduire l'énergie consommée par mon usage de ChatGPT ?](https://greenai.guide/how-do-i/reduce-energy-of-chatgpt-use/): Demandez ce dont vous avez besoin en une seule requête claire, gardez des réponses courtes, ouvrez une nouvelle discussion pour un nouveau sujet, et allez-y doucement sur la génération d'images et de vidéos. Selon les estimations publiées, une question textuelle typique consomme environ un tiers de wattheure, mais les entrées longues, les régénérations répétées et la génération de médias peuvent multiplier ce chiffre de nombreuses fois.
- [Comment savoir si j'ai vraiment besoin de l'IA pour une tâche ?](https://greenai.guide/how-do-i/decide-if-i-need-ai-for-a-task/): Demandez-vous si un outil plus simple fait déjà le travail de manière fiable : un moteur de recherche, une calculatrice, une carte, un dictionnaire, un modèle de document ou une formule de tableur. Utilisez l'IA générative là où elle fait vraiment gagner du temps ou améliore le résultat, comme pour rédiger, expliquer ou retravailler un texte, et laissez-la de côté pour les recherches d'informations et les calculs que d'autres outils font bien.
- [Comment utiliser l'IA sur mon téléphone sans gaspiller d'énergie ?](https://greenai.guide/how-do-i/use-ai-on-my-phone-efficiently/): Désactivez les fonctions d'IA que vous n'utilisez pas, préférez les fonctions rapides embarquées sur l'appareil pour les tâches simples, et réservez les tâches lourdes, comme la génération d'images ou de vidéos, aux moments où vous en avez vraiment besoin. De petits modèles embarqués peuvent éviter d'envoyer des données vers un centre de données, mais ils consomment quand même votre batterie : la plus grande économie consiste donc à ne pas faire tourner une IA qui n'apporte rien.
- [Comment utiliser les agents d'IA et les outils de recherche approfondie sans gaspillage ?](https://greenai.guide/how-do-i/use-ai-agents-and-deep-research-sparingly/): Réservez les agents et les modes de recherche approfondie aux tâches qui demandent vraiment de nombreuses étapes, comme explorer un vaste sujet à travers de nombreuses sources, et utilisez un chat ordinaire pour les questions rapides. Les agents appellent un modèle de nombreuses fois par tâche : Anthropic a indiqué que les agents utilisaient environ quatre fois plus de tokens qu'un chat, et les systèmes multi-agents environ quinze fois plus.
- [Comment éviter de changer mes appareils juste pour utiliser l'IA ?](https://greenai.guide/how-do-i/avoid-buying-new-devices-for-ai/): La plupart des outils d'IA fonctionnent dans le cloud, via un navigateur ou une application sur les appareils que vous possédez déjà : vous avez donc rarement besoin de matériel neuf pour les utiliser. Garder vos appareils plus longtemps évite l'empreinte de la fabrication de nouveaux appareils, qui inclut les déchets électroniques que l'IA générative devrait, selon les chercheurs, faire augmenter.
- [Comment éviter que les longues conversations avec l'IA gaspillent de l'énergie ?](https://greenai.guide/how-do-i/keep-long-ai-chats-efficient/): Ouvrez une nouvelle discussion quand vous changez de sujet, et quand une longue conversation reste utile, demandez un court récapitulatif et poursuivez à partir de celui-ci dans une nouvelle discussion. Les chatbots relisent généralement toute la conversation pour répondre à chaque nouveau message : les très longs fils rendent donc chaque réponse plus coûteuse que nécessaire.
- [Quand faut-il utiliser le mode « réflexion » ou de raisonnement d'une IA ?](https://greenai.guide/how-do-i/use-reasoning-modes-only-when-needed/): Utilisez un mode de raisonnement ou de « réflexion » pour les problèmes vraiment difficiles, comme les calculs en plusieurs étapes, le code délicat ou une analyse approfondie, et un modèle standard ou rapide pour les questions du quotidien, les premiers jets et les résumés. Les modes de raisonnement rédigent de longues chaînes de calcul cachées avant de répondre, et un benchmark a constaté qu'ils consommaient en moyenne 30 fois plus d'énergie.

## Choisir des outils et des modèles d’IA

- [Comment choisir un modèle d'IA plus petit ?](https://greenai.guide/how-do-i/choose-a-smaller-ai-model/): Définissez ce que « suffisamment bon » veut dire sur des exemples réels, puis testez les modèles du plus petit au plus grand et arrêtez-vous au premier qui réussit. Les petits modèles spécialisés peuvent consommer une fraction de l'énergie des grands modèles généralistes : l'UNESCO et l'University College London font état d'économies allant jusqu'à 90 % sur des tâches adaptées.
- [Comment comparer la consommation d'énergie de différents modèles d'IA ?](https://greenai.guide/how-do-i/compare-energy-use-of-ai-models/): Utilisez un benchmark standard s'il en existe un pour votre tâche, comme l'AI Energy Score de Hugging Face, et sinon mesurez vous-même les candidats sur la même tâche, le même matériel et les mêmes réglages. Comparez l'énergie par tâche réussie en parallèle de la qualité, car un modèle peu coûteux qui échoue finit par coûter plus cher.
- [Comment demander ses chiffres énergétiques à une entreprise d'IA ?](https://greenai.guide/how-do-i/ask-an-ai-company-for-energy-figures/): Demandez l'énergie, le carbone et l'eau par requête type pour le modèle que vous utilisez, ainsi que la méthode, le périmètre du système et le lieu d'exécution. Demandez des chiffres carbone fondés à la fois sur la localisation et sur le marché. Beaucoup de fournisseurs ne peuvent pas encore répondre complètement, mais une question précise obtient une meilleure réponse qu'une question générale, et des demandes répétées créent une demande.
- [Comment faire tourner un modèle d'IA en local ?](https://greenai.guide/how-do-i/run-an-ai-model-locally/): Installez un outil d'exécution local comme Ollama ou llama.cpp, téléchargez un petit modèle à poids ouverts dans un format quantifié comme GGUF, et faites-le tourner sur votre propre ordinateur. Choisissez le plus petit modèle qui fait votre tâche : les versions quantifiées ont besoin de bien moins de mémoire, si bien qu'un modèle de 8 milliards de paramètres qui occupe environ 16 Go en 16 bits tient dans environ 4 à 5 Go sur 4 bits.
- [Comment lire une note AI Energy Score ?](https://greenai.guide/how-do-i/read-an-ai-energy-score-rating/): Une note AI Energy Score attribue à un modèle de une à cinq étoiles d'efficacité énergétique par rapport aux autres modèles testés sur la même tâche, sur la base de l'énergie GPU mesurée pour 1 000 requêtes. Plus d'étoiles signifie moins d'énergie pour cette tâche, mais les étoiles sont relatives au sein d'une tâche : ne comparez donc un modèle qu'à d'autres modèles notés pour le même usage.
- [Comment repérer l'écoblanchiment dans le marketing de l'IA ?](https://greenai.guide/how-do-i/spot-greenwashing-in-ai-marketing/): Méfiez-vous des termes comme « vert », « durable » ou « IA neutre en carbone » sans chiffres, méthodes ni périmètres à l'appui, ainsi que des allégations fondées sur des compensations ou des certificats annuels d'énergie renouvelable. Des allégations honnêtes disent ce qui a été mesuré, par rapport à quelle référence, et ce qui a été laissé de côté ; dans l'UE, les allégations environnementales génériques qui ne peuvent pas être prouvées sont interdites.
- [Comment savoir si l'apprentissage automatique classique suffit au lieu d'un LLM ?](https://greenai.guide/how-do-i/choose-classical-ml-instead-of-an-llm/): Si vos entrées sont des données structurées ou de courts textes étiquetés, et que la sortie est un nombre, une catégorie ou un classement, essayez d'abord un modèle classique : un modèle linéaire, des arbres à gradient boosting ou un petit classifieur. Ils coûtent bien moins cher à faire fonctionner, sont plus rapides, plus faciles à expliquer et souvent aussi précis. Tournez-vous vers un grand modèle de langage lorsque la tâche exige vraiment un langage ouvert.
- [Comment savoir si un outil d'IA est écologique ?](https://greenai.guide/how-do-i/know-if-an-ai-tool-is-green/): Cherchez des preuves plutôt que des labels : des chiffres d'énergie ou d'émissions par requête publiés avec leur méthode, un choix de modèles plus petits, des informations sur le lieu d'exécution, et des évaluations indépendantes comme l'AI Energy Score. Peu d'outils publient encore tout cela : considérez donc « vert » ou « durable » sans chiffres comme une affirmation, pas comme un fait.
- [Comment trouver un modèle spécialisé plutôt que d'utiliser un chatbot généraliste ?](https://greenai.guide/how-do-i/find-a-task-specific-model/): Nommez précisément la tâche, puis cherchez sur une plateforme de modèles comme Hugging Face par type de tâche, et testez deux ou trois petits candidats sur vos propres exemples. Un modèle conçu pour une seule tâche peut coûter des ordres de grandeur moins cher à faire fonctionner qu'un modèle génératif généraliste qui fait le même travail : cela vaut donc un après-midi de tests avant de vous rabattre sur un chatbot.
- [Comment utiliser un assistant de codage par IA sans grosse empreinte ?](https://greenai.guide/how-do-i/use-an-ai-coding-assistant-with-a-smaller-footprint/): Utilisez l'assistant là où il est clairement rentable, donnez-lui un contexte ciblé plutôt que des dépôts entiers, choisissez un modèle plus petit ou plus rapide pour les modifications courantes, et découpez les tâches difficiles en étapes simples que vous relisez. Une étude a constaté que le codage assisté par IA avait une empreinte carbone environ 33 fois supérieure à celle de l'approche manuelle sur les tâches testées : les habitudes comptent donc.
- [Faut-il faire tourner l'IA sur mon appareil ou dans le cloud ?](https://greenai.guide/how-do-i/choose-between-device-and-cloud-ai/): Exécutez sur l'appareil les tâches petites, fréquentes, privées ou sensibles à la latence, et envoyez à un service cloud efficace les tâches lourdes ou occasionnelles qui exigent de grands modèles. Certaines études constatent de fortes économies d'énergie sur l'appareil avec des modèles adaptés, mais des centres de données bien gérés sont difficiles à battre : mesurez donc votre propre cas lorsque c'est possible.
- [Quel est le chatbot d'IA le plus écologique ?](https://greenai.guide/how-do-i/choose-the-greenest-ai-chatbot/): Personne ne peut encore classer de manière fiable les grands chatbots selon leur énergie, car les fournisseurs publient des chiffres différents, mesurés de manières différentes, et certains n'en publient aucun. Choisissez un service transparent sur sa consommation d'énergie et d'eau, qui propose des modèles plus légers pour les questions simples et vous laisse contrôler les fonctions, puis utilisez-le bien : la manière dont vous utilisez un chatbot compte davantage que celui que vous choisissez.

## Mesurer l’énergie et les émissions

- [Comment calculer ma propre empreinte carbone liée à l'IA ?](https://greenai.guide/how-do-i/work-out-my-personal-ai-carbon-footprint/): Comptez à peu près combien de questions textuelles, de longs documents et d'images vous utilisez chaque semaine, multipliez par les chiffres publiés par requête, et vous obtenez une fourchette approximative. Selon les chiffres des entreprises elles-mêmes, un prompt texte typique représente une fraction de wattheure, alors que les entrées longues et les images coûtent bien plus : ce sont donc généralement vos habitudes les plus lourdes qui dominent le total. Considérez le résultat comme une estimation, pas comme un chiffre précis.
- [Comment calculer un score Software Carbon Intensity pour une fonction d'IA ?](https://greenai.guide/how-do-i/calculate-an-sci-score-for-an-ai-feature/): Le score Software Carbon Intensity (SCI), publié sous la norme ISO/IEC 21031:2024, vaut ((E × I) + M) par R : l'énergie consommée, multipliée par l'intensité carbone du réseau fondée sur la localisation, plus une part des émissions intrinsèques du matériel, divisées par une unité fonctionnelle comme une requête ou un document. Choisissez l'unité, tracez le périmètre, collectez ou estimez chaque terme, et recalculez après chaque changement.
- [Comment connaître l'intensité carbone de mon réseau électrique ?](https://greenai.guide/how-do-i/find-grid-carbon-intensity-data/): Utilisez des données régionales du réseau, alignées dans le temps, pour le lieu et le moment où vos travaux d'IA se sont exécutés. En Grande-Bretagne, la Carbon Intensity API du National Energy System Operator fournit des estimations et des prévisions régionales ; Electricity Maps couvre plus de 350 zones dans le monde. Ne vous rabattez sur des moyennes nationales annuelles que lorsque rien de plus fin n'existe, et indiquez ce que vous avez utilisé.
- [Comment déclarer la consommation d'énergie de mes recherches en IA ?](https://greenai.guide/how-do-i/report-energy-use-in-a-research-paper/): Indiquez le matériel, les heures GPU de toutes les exécutions, réglage et échecs compris, l'énergie en kWh avec l'outil utilisé, le lieu et l'intensité carbone du réseau, les émissions en kg CO₂e, et l'énergie d'inférence pour une taille de lot précisée. Dites ce que le périmètre inclut et quelle est l'incertitude des chiffres. Mesurer au fur et à mesure, avec un outil comme CodeCarbon, en fait un simple tableau plutôt qu'une reconstitution.
- [Comment estimer l'empreinte eau de l'IA ?](https://greenai.guide/how-do-i/estimate-the-water-footprint-of-ai/): La consommation d'eau suit la consommation d'énergie : multipliez l'énergie de vos travaux d'IA par l'efficacité d'utilisation de l'eau (WUE) du centre de données pour le refroidissement sur site, et ajoutez l'eau utilisée pour produire l'électricité si elle entre dans votre périmètre. Les chiffres publiés par prompt vont d'une fraction de millilitre à plusieurs dizaines de millilitres, surtout parce qu'ils ne comptent pas les mêmes choses. Le lieu où l'eau est utilisée compte autant que la quantité.
- [Comment estimer l'énergie de mes appels d'API d'IA ?](https://greenai.guide/how-do-i/estimate-energy-of-ai-api-calls/): Vous ne pouvez pas mesurer un matériel que vous ne contrôlez pas : faites donc une estimation. Enregistrez les tokens d'entrée et de sortie de chaque appel et utilisez un outil comme EcoLogits, qui encapsule votre client d'IA et indique l'énergie et les émissions estimées par requête. Présentez ces chiffres comme des estimations, indiquez la méthode, et remplacez-les par les chiffres déclarés par le fournisseur lorsque vous pouvez les obtenir.
- [Comment fixer un budget de calcul pour un projet de recherche ?](https://greenai.guide/how-do-i/set-a-compute-budget-for-a-research-project/): Estimez les heures GPU nécessaires à vos principales expériences, ajoutez une marge pour l'exploration, et suivez l'usage par rapport à ce budget comme vous le feriez pour de l'argent. Testez les idées à petite échelle, arrêtez tôt les mauvaises exécutions, réutilisez les modèles pré-entraînés et les points de reprise, et présentez les résultats rapportés au calcul qu'ils ont demandé. Un budget rend les compromis visibles et met fin aux réglages sans fin.
- [Comment mesurer l'empreinte carbone de l'entraînement d'un modèle ?](https://greenai.guide/how-do-i/measure-carbon-footprint-of-training-a-model/): Encadrez votre script d'entraînement avec un outil de suivi des émissions comme CodeCarbon, qui estime l'énergie à partir de votre CPU, de votre GPU et de votre mémoire, et la convertit en carbone à l'aide des données du réseau local. Comptez chaque exécution, y compris le réglage et les échecs, notez le matériel, le lieu et la durée, et publiez le résultat avec le modèle. Si vous n'avez pas de journaux, un calculateur comme Green Algorithms peut en faire l'estimation après coup.
- [Comment mesurer l'énergie consommée par l'IA sur mon ordinateur ou mon GPU ?](https://greenai.guide/how-do-i/measure-energy-of-ai-on-my-own-computer/): Sur votre propre machine, vous pouvez mesurer directement : utilisez CodeCarbon ou un outil qui lit les compteurs du processeur et du GPU, ou placez une prise connectée avec wattmètre entre l'ordinateur et la prise murale. Relevez d'abord la consommation au repos, échantillonnez pendant toute la tâche plutôt que de prendre des instantanés, et répétez l'exécution plusieurs fois avant de vous fier au chiffre.
- [Comment prendre en compte le carbone intrinsèque du matériel d'IA ?](https://greenai.guide/how-do-i/account-for-embodied-carbon-of-ai-hardware/): Le carbone intrinsèque correspond aux émissions liées à la fabrication, au transport et à l'élimination du matériel. Pour en tenir compte, prenez le total des émissions intrinsèques du matériel, répartissez-le selon la durée et la part du matériel que vos travaux d'IA utilisent, et ajoutez cette part au chiffre opérationnel, comme le fait le terme M de la spécification SCI. Comme les données sont souvent minces, indiquez vos hypothèses ; et n'oubliez pas que garder le matériel plus longtemps répartit les mêmes émissions sur davantage de travail.
- [Comment suivre l'énergie de l'IA par tâche plutôt qu'au total ?](https://greenai.guide/how-do-i/track-ai-energy-per-task/): Choisissez une unité fonctionnelle qui correspond à la valeur apportée par l'IA, comme le document résumé ou la tâche réussie, et divisez l'énergie par cette unité. Suivez côte à côte l'énergie par unité, la qualité par unité et le total. Les chiffres par unité montrent si le système devient plus efficace ; le total montre si la croissance le dépasse.
- [Comment vérifier une affirmation sur la consommation d'énergie de l'IA ?](https://greenai.guide/how-do-i/check-a-claim-about-ai-energy-use/): Posez six questions : par quoi (prompt, image, année ?), qui l'a mesuré, ce qui est inclus, quel âge a le chiffre, à quoi il est comparé, et s'il porte sur l'efficacité ou sur l'usage total. La plupart des affirmations trompeuses, alarmistes ou rassurantes, échouent à l'une de ces questions. Les chiffres publiés par prompt diffèrent surtout parce qu'ils ne comptent pas les mêmes choses.
- [Comment établir une référence pour prouver des économies d'énergie liées à l'IA ?](https://greenai.guide/how-do-i/set-a-baseline-for-ai-energy-savings/): Mesurez le système actuel avant de changer quoi que ce soit, sur le même matériel, la même charge et les mêmes entrées que vous utiliserez ensuite, et répétez les exécutions pour voir la dispersion normale. Indiquez l'énergie par unité de travail utile ainsi que le total, et ne revendiquez qu'une économie supérieure au bruit et obtenue sans baisse de qualité.

## Pour les développeurs et data scientists

- [Comment accélérer un grand modèle avec le décodage spéculatif ?](https://greenai.guide/how-do-i/use-speculative-decoding/): Associez votre grand modèle à un petit modèle brouillon de la même famille : le brouillon propose plusieurs tokens et le grand modèle les vérifie en un seul passage, en ne gardant que ceux avec lesquels il est d'accord. La sortie est identique à celle du grand modèle seul, et l'étude d'origine a fait état d'une inférence 2 à 3 fois plus rapide. Vérifiez que votre infrastructure de service le prend en charge, puis mesurez l'énergie par requête, pas seulement la vitesse.
- [Comment affiner un modèle sans une énorme puissance de calcul ?](https://greenai.guide/how-do-i/fine-tune-a-model-with-less-compute/): Partez d'un modèle pré-entraîné et entraînez un petit adaptateur plutôt que tous ses poids, avec LoRA, ou QLoRA avec des poids sur 4 bits. LoRA a divisé par 10 000 le nombre de paramètres entraînables et par trois la mémoire GPU par rapport au fine-tuning complet de GPT-3, et QLoRA a permis d'affiner un modèle de 65 milliards de paramètres sur un seul GPU de 48 Go. Comparez le résultat à votre seuil de qualité avant d'envisager quoi que ce soit de plus gros.
- [Comment choisir entre récupération (RAG) et fine-tuning pour économiser de l'énergie ?](https://greenai.guide/how-do-i/choose-between-rag-and-fine-tuning/): Utilisez la récupération lorsque le modèle a besoin de faits qui changent ou qui vous sont propres : placez-les dans un index consultable et ne récupérez que les passages pertinents. Utilisez le fine-tuning lorsque le modèle a besoin d'une compétence, d'un format ou d'un style qui lui manque. Réentraîner pour garder les faits à jour répète les coûts d'entraînement, tandis que coller des documents entiers dans chaque prompt gaspille de l'inférence : chaque approche a donc sa place.
- [Comment concevoir des fonctions d'IA qui ne tournent pas quand personne n'en a besoin ?](https://greenai.guide/how-do-i/design-ai-features-that-dont-run-needlessly/): Faites en sorte que les fonctions d'IA s'exécutent quand un utilisateur le demande, et non automatiquement à chaque chargement de page, message ou fichier. Générez une fois et réutilisez les résultats partagés, utilisez du code simple pour les décisions qu'une règle peut prendre, et supprimez les fonctions d'IA que peu de gens utilisent. Les Web Sustainability Guidelines du W3C demandent aux équipes d'évaluer le besoin d'IA avant de la mettre en œuvre, et cela vaut pour chaque déclencheur autant que pour chaque fonction.
- [Comment distiller un grand modèle en un modèle plus petit ?](https://greenai.guide/how-do-i/distil-a-large-model-into-a-small-one/): Vérifiez d'abord s'il existe déjà une version distillée de votre modèle. Sinon, utilisez le grand modèle « enseignant » pour étiqueter ou générer des exemples pour votre tâche, entraînez un petit modèle « élève » sur ces exemples, et testez l'élève sur vos propres cas réels. DistilBERT, un exemple précoce, était 40 % plus petit et 60 % plus rapide que BERT tout en conservant 97 % de sa compréhension du langage.
- [Comment empêcher les agents d'IA de gaspiller des tokens ?](https://greenai.guide/how-do-i/stop-ai-agents-wasting-tokens/): Donnez à chaque agent un objectif vérifiable qui met fin à l'exécution, des limites strictes sur les étapes, les tokens, le temps et la dépense, et une détection des boucles qui l'arrête quand il se répète. Allégez le contexte que porte chaque étape, utilisez du code simple pour les décisions qu'une règle peut prendre, et envoyez les sous-tâches simples à de petits modèles. Les agents peuvent utiliser bien plus de tokens qu'un chat : ces limites sont donc vite rentables.
- [Comment faire écrire du code économe en énergie par une IA ?](https://greenai.guide/how-do-i/get-ai-to-write-energy-efficient-code/): Demandez explicitement du code efficace et nommez la contrainte, comme la mémoire, les allocations ou la complexité algorithmique, puis lancez les tests et mesurez l'énergie du code avant de l'accepter. Des recherches ont montré que modifier le prompt pouvait rendre le code généré jusqu'à 91,9 % plus économe en énergie, mais souvent au détriment de sa justesse. Donnez à l'assistant des principes énergétiques à suivre, et gardez une personne pour vérifier le résultat.
- [Comment limiter la longueur des réponses d'un LLM ?](https://greenai.guide/how-do-i/limit-how-much-an-llm-writes/): Fixez une longueur de sortie maximale dans l'appel d'API, indiquez au modèle dans le prompt le format et la longueur souhaités, et utilisez des séquences d'arrêt ou une sortie structurée pour qu'il s'arrête une fois le travail terminé. L'énergie augmente avec le nombre de tokens qu'un modèle génère : plafonner la sortie est donc l'une des économies les plus simples dans n'importe quelle application.
- [Comment orienter les requêtes vers des modèles plus petits ?](https://greenai.guide/how-do-i/set-up-model-routing/): Placez un routeur devant vos modèles : une règle, un petit classifieur ou une cascade qui essaie d'abord un petit modèle et passe à un plus grand quand la confiance est faible ou qu'une vérification échoue. Des routeurs publiés ont réduit les coûts de plus de moitié dans certains tests sans baisse de qualité. Réglez le seuil sur vos propres données et mesurez le coût par tâche réussie, pas par appel.
- [Comment quantifier un modèle ?](https://greenai.guide/how-do-i/quantise-a-model/): La quantification stocke les poids d'un modèle sur moins de bits, généralement 8 ou 4 au lieu de 16 ou 32 : le modèle a donc besoin de moins de mémoire et souvent de moins d'énergie par réponse. Chargez une version déjà quantifiée ou quantifiez avec les méthodes intégrées à votre bibliothèque, puis testez-la sur vos propres exemples face au modèle en pleine précision. Gardez-la si la qualité tient et que l'énergie par requête baisse.
- [Comment regrouper les requêtes d'IA par lots pour économiser de l'énergie ?](https://greenai.guide/how-do-i/batch-ai-requests/): Servez le trafic en direct avec un moteur d'inférence qui pratique le batching continu, afin que les requêtes simultanées partagent l'accélérateur. Mettez en file d'attente le travail qui n'exige pas de réponse immédiate, comme le traitement de documents pendant la nuit, et exécutez-le par grands lots, idéalement quand le réseau électrique est moins carboné. Un accélérateur qui sert une seule requête à la fois est sous-utilisé, mais consomme quand même beaucoup d'électricité.
- [Comment rendre la recherche vectorielle et le RAG plus efficaces ?](https://greenai.guide/how-do-i/make-vector-search-and-rag-more-efficient/): Utilisez un index de plus proches voisins approximatif au lieu de comparer chaque requête à chaque vecteur stocké, récupérez quelques passages courts et pertinents plutôt que de nombreux passages longs, et ne recalculez les embeddings que du contenu qui a changé. Utilisez ensuite le plus petit modèle de génération qui répond bien à partir d'un bon contexte. L'essentiel du gaspillage dans les systèmes de récupération vient de la recherche exhaustive et des prompts surdimensionnés.
- [Comment rendre un modèle assez petit pour un appareil embarqué ?](https://greenai.guide/how-do-i/make-a-model-small-enough-for-an-edge-device/): Partez du plus petit modèle susceptible d'atteindre votre seuil de qualité, puis réduisez-le encore par distillation, quantification et élagage, en testant chaque étape sur l'appareil cible. Mesurez ensemble l'énergie par inférence, la latence et la précision sur le matériel réel, et laissez le modèle passer à un niveau inférieur quand la batterie est faible ou que l'appareil chauffe.
- [Comment réduire l'énergie d'un modèle servi en production ?](https://greenai.guide/how-do-i/cut-the-energy-of-serving-a-model/): Servez le plus petit modèle qui atteint votre seuil, sur un runtime conçu pour l'inférence, avec le traitement par lots activé, des poids en demi-précision ou quantifiés, et les chemins d'attention et de cache optimisés de la bibliothèque activés. Évaluez ensuite deux ou trois runtimes et options de matériel avec votre trafic réel, et choisissez selon l'énergie par requête autant que selon la latence.
- [Comment réduire l'énergie de l'entraînement d'un modèle ?](https://greenai.guide/how-do-i/reduce-the-energy-of-training-a-model/): Partez d'un modèle pré-entraîné lorsque c'est possible, choisissez la plus petite architecture susceptible d'atteindre votre seuil, entraînez en précision mixte, arrêtez quand la validation ne progresse plus, et exécutez sur du matériel efficace dans une région et à un moment bas carbone. Patterson et ses collègues ont constaté que le choix du modèle, du centre de données et du processeur peut réduire l'empreinte carbone de l'entraînement jusqu'à environ 100 à 1 000 fois. Mesurez chaque exécution pour que les compromis soient visibles.
- [Comment réduire l'énergie des recherches d'hyperparamètres ?](https://greenai.guide/how-do-i/cut-the-energy-of-hyperparameter-searches/): Remplacez les grandes recherches par grille par une recherche aléatoire ou adaptative, arrêtez tôt les mauvais essais, lancez d'abord des pilotes sur peu de données ou de petits modèles, et partez des valeurs par défaut publiées pour votre architecture. Suivez l'énergie de chaque essai, pas seulement du gagnant, et fixez un budget de calcul avant de commencer. Les exécutions de réglage coûtent souvent plus que l'entraînement final, et elles sont rarement déclarées.
- [Comment stocker les données d'entraînement pour que les pipelines lisent moins ?](https://greenai.guide/how-do-i/store-training-data-so-pipelines-read-less/): Stockez les données d'entraînement et de caractéristiques dans un format colonnaire pour que les tâches ne lisent que les colonnes et les partitions qu'elles utilisent, et convertissez une seule fois le texte brut en format binaire au lieu de le réanalyser à chaque exécution ou à chaque époque. Mesurez une tâche type avant et après pour vérifier que la conversion est rentable. Le traitement des données passe facilement inaperçu à côté du modèle, mais il s'exécute à chaque expérience.
- [Comment utiliser la mise en cache pour réduire l'énergie des appels aux LLM ?](https://greenai.guide/how-do-i/cache-llm-calls/): Utilisez deux niveaux. Le cache de prompt du fournisseur réutilise le traitement d'un préfixe fixe, comme un long prompt système ou un document partagé : placez donc le contenu stable en premier. Votre propre cache de réponses stocke les réponses aux requêtes identiques afin que le modèle ne soit pas rappelé. Les deux réduisent le calcul, le coût et la latence, à condition de fixer des durées d'expiration raisonnables.
- [Comment élaguer un réseau de neurones ?](https://greenai.guide/how-do-i/prune-a-neural-network/): Élaguez un réseau entraîné en retirant les poids, les neurones ou les couches qui contribuent le moins, puis affinez-le brièvement pour qu'il récupère, et testez-le par rapport à votre seuil de qualité. L'élagage a divisé par neuf le nombre de paramètres d'AlexNet sans perte de précision, et de très grands modèles de langage ont été élagués à au moins 50 % de parcimonie en une seule passe. Préférez l'élagage structuré si vous voulez que du matériel ordinaire tourne plus vite.
- [Comment éviter d'entraîner un modèle à partir de zéro ?](https://greenai.guide/how-do-i/avoid-training-a-model-from-scratch/): Cherchez un modèle pré-entraîné proche de votre tâche, puis adaptez-le : affinez-le (fine-tuning), entraînez un petit adaptateur comme LoRA, ou ajoutez des connaissances par récupération (retrieval) au lieu de réentraîner. Si vous disposez déjà de plusieurs modèles affinés à partir de la même base, faire la moyenne de leurs poids peut améliorer la précision sans coût d'inférence supplémentaire. Entraîner à partir de zéro est rarement nécessaire en dehors de la recherche sur les modèles de fondation.
- [Comment éviter que mon chatbot renvoie toute la conversation ?](https://greenai.guide/how-do-i/stop-resending-the-whole-conversation/): La plupart des fonctions de chat renvoient toute la conversation au modèle à chaque tour : l'entrée grossit donc à chaque message. Limitez le nombre de tours passés que vous envoyez, résumez les plus anciens en une courte note, ne récupérez que les messages ou documents antérieurs pertinents, et mettez en cache les prompts système fixes. Les entrées longues coûtent bien plus d'énergie que les courtes.
- [Un modèle à mélange d'experts permet-il d'économiser de l'énergie ?](https://greenai.guide/how-do-i/decide-if-mixture-of-experts-saves-energy/): Un modèle à mélange d'experts oriente chaque token vers quelques sous-réseaux spécialisés : seule une partie du modèle travaille donc pour chaque token. Mixtral, par exemple, compte 47 milliards de paramètres mais en utilise 13 milliards par token. Cela peut réduire le calcul par réponse par rapport à un modèle dense de qualité similaire, mais tous les experts doivent rester en mémoire : comparez donc la qualité, la latence et l'énergie par requête sur votre propre matériel.

## Centres de données, cloud et hébergement

- [Comment choisir du matériel économe en énergie pour l'IA ?](https://greenai.guide/how-do-i/choose-energy-efficient-hardware-for-ai/): Évaluez votre modèle réel sur deux ou trois options de matériel et de runtime, et comparez l'énergie par requête ou par entraînement avec des tailles de lots réalistes, en parallèle de la latence et du coût. Patterson et ses collègues ont constaté que le choix du modèle, du centre de données et du processeur peut, à eux trois, réduire le carbone de l'entraînement jusqu'à environ 100 à 1 000 fois. Gardez le bon matériel occupé et en service, car la fabrication de nouveaux équipements a sa propre empreinte.
- [Comment choisir un centre de données ou un hébergeur durable pour l'IA ?](https://greenai.guide/how-do-i/choose-a-sustainable-data-centre-for-ai/): Demandez des preuves plutôt que des labels : l'intensité carbone du réseau et la part horaire d'électricité propre là où votre travail s'exécute, le PUE et la consommation d'eau du site, la durée de service du matériel, et si vous recevrez des données d'énergie et d'émissions pour votre propre compte. Dans l'UE, les grands centres de données doivent déclarer leur consommation d'énergie et d'eau : les données existent donc souvent. Choisissez un hébergement propre, mais continuez à réduire le travail que vous y envoyez.
- [Comment choisir une région cloud bas carbone ?](https://greenai.guide/how-do-i/pick-a-low-carbon-cloud-region/): Comparez les régions selon l'intensité carbone du réseau et la part d'énergie décarbonée, à l'aide des données régionales publiées par votre fournisseur ou d'une source comme Electricity Maps, puis tenez compte de la latence, des règles de localisation des données et du coût. Le travail par lots, comme l'entraînement, le fine-tuning et le traitement de nuit, est le plus facile à déplacer ; l'inférence destinée aux utilisateurs doit généralement rester proche d'eux.
- [Comment donner mon avis sur un projet de centre de données près de chez moi ?](https://greenai.guide/how-do-i/have-a-say-on-a-data-centre-near-me/): Trouvez la demande d'autorisation d'urbanisme, lisez les déclarations du promoteur sur l'énergie, l'eau, le bruit et la chaleur, et formulez vos observations pendant la période de consultation avec des questions précises et fondées sur des faits. Demandez quelle capacité du réseau électrique et quelle quantité d'eau le site utilisera, si la chaleur fatale sera réutilisée, et quels chiffres d'énergie et d'eau seront publiés une fois le site en service. Des questions précises pèsent davantage que des objections générales.
- [Comment exécuter des tâches d'IA sur la capacité cloud inutilisée ?](https://greenai.guide/how-do-i/run-ai-jobs-on-spare-cloud-capacity/): Les fournisseurs de cloud vendent leur capacité inutilisée à bas prix, à condition de pouvoir la reprendre à bref délai, sous forme d'instances spot ou préemptibles. L'entraînement, l'évaluation, l'inférence par lots et le traitement de données peuvent l'utiliser s'ils enregistrent des points de reprise et se relancent proprement. Les recommandations de Microsoft sont de ne l'utiliser que pour du travail tolérant aux interruptions, car celles-ci peuvent ajouter de l'instabilité.
- [Comment interpréter les chiffres de PUE et de WUE ?](https://greenai.guide/how-do-i/understand-pue-and-wue/): L'indicateur d'efficacité énergétique (PUE) est l'énergie totale d'un centre de données divisée par l'énergie consommée par ses équipements informatiques : plus il est proche de 1,0, moins il y a de pertes en refroidissement et en conversion électrique. L'efficacité d'utilisation de l'eau (WUE) correspond aux litres d'eau consommés sur site par kilowattheure de calcul : plus elle est basse, mieux c'est. Aucun des deux ne dit combien de calcul est effectué, à quel point l'électricité est propre, ni si le travail était nécessaire.
- [Comment planifier l'entraînement quand le réseau électrique est plus vert ?](https://greenai.guide/how-do-i/schedule-training-when-the-grid-is-greener/): Repérez les tâches qui peuvent attendre, comme l'entraînement, le fine-tuning, l'évaluation et l'inférence par lots, et lancez-les quand une prévision d'intensité carbone montre que le réseau est plus propre. Enregistrez des points de reprise réguliers pour que les longues tâches puissent se mettre en pause quand l'intensité augmente et reprendre quand elle baisse, dans le respect d'une échéance ferme. La planification sensible au carbone réduit le carbone, pas l'énergie : pratiquez-la donc en plus du travail d'efficacité.
- [Comment réduire l'empreinte des expériences d'IA sur un cluster de recherche ?](https://greenai.guide/how-do-i/reduce-footprint-of-ai-on-a-research-cluster/): Commencez par mesurer : de nombreux clusters enregistrent l'énergie de chaque tâche dans l'ordonnanceur Slurm, et CodeCarbon ou le calculateur Green Algorithms peuvent combler les lacunes. Ne demandez ensuite que les GPU, la mémoire et le temps dont vous avez besoin, testez les idées à petite échelle, créez des points de reprise pour les longues tâches et planifiez les tâches flexibles quand le réseau est plus propre. Déclarez l'énergie de projets entiers, pas seulement des exécutions finales.
- [Comment réduire l'empreinte eau de l'IA ?](https://greenai.guide/how-do-i/reduce-the-water-footprint-of-ai/): La consommation d'eau suit la consommation d'énergie : la première étape est donc la même, avec des modèles plus petits, des réponses plus courtes et moins de régénérations. Au-delà, choisissez des hébergeurs qui publient leur consommation d'eau, évitez les régions en stress hydrique pour le travail lourd, et demandez aux fournisseurs des chiffres d'eau par site. Par prompt texte, l'eau consommée est faible ; ce sont les totaux et les effets locaux qui comptent.
- [Comment savoir si mon IA fonctionne à l'énergie renouvelable ?](https://greenai.guide/how-do-i/check-whether-my-ai-runs-on-renewable-energy/): Demandez où votre IA fonctionne réellement, puis examinez deux éléments pour cette région : l'intensité carbone du réseau et la part de l'électricité couverte par une énergie propre heure par heure. « 100 % renouvelable » signifie généralement des certificats ou des contrats annuels qui couvrent des totaux annuels, sans changer ce que le réseau local fournit à une heure donnée. Demandez des chiffres fondés à la fois sur la localisation et sur le marché.
- [Comment trouver les données carbone de mon fournisseur de cloud ?](https://greenai.guide/how-do-i/find-my-cloud-providers-carbon-data/): Les grands fournisseurs de cloud publient les données carbone de leurs clients dans leurs consoles de facturation ou de durabilité : la Sustainability console d'AWS, les outils d'émissions d'Azure de Microsoft et le tableau de bord Carbon Footprint de Google Cloud. Ils ventilent les émissions par service, région et scope, mais sont mensuels et estimés : traitez-les donc comme une tendance et complétez-les par vos propres mesures par charge de travail.
- [Comment éviter que les GPU et les notebooks restent inactifs ?](https://greenai.guide/how-do-i/stop-gpus-sitting-idle/): Faites du « à la demande » la règle par défaut : les pipelines et les tâches d'entraînement doivent démarrer leurs ressources quand ils sont déclenchés et les libérer une fois terminés. Arrêtez automatiquement les notebooks et les GPU de développement inactifs après un délai fixé, ramenez à zéro les environnements hors production en dehors des heures ouvrées, et indiquez les heures GPU inactives par équipe à côté du coût pour rendre le gaspillage visible.

## Pour les organisations

- [Comment cartographier les usages de l'IA dans mon organisation ?](https://greenai.guide/how-do-i/map-where-my-organisation-uses-ai/): Dressez un inventaire simple avec quatre types d'entrées : les outils d'IA que le personnel utilise directement, les fonctions d'IA intégrées aux logiciels que vous avez déjà, les flux de travail automatisés et les agents, et les fournisseurs dont les services font tourner de l'IA pour vous. Pour chacun, notez le responsable, la fréquence d'exécution, le modèle ou le fournisseur s'il est connu, et les données qui y entrent. L'inventaire est le point de départ pour réduire le gaspillage, gérer les risques et produire des rapports.
- [Comment communiquer honnêtement sur notre IA verte ?](https://greenai.guide/how-do-i/make-honest-claims-about-green-ai/): N'affirmez que ce que vous avez mesuré, précisez ce qui s'est amélioré et par rapport à quelle référence, et indiquez la méthode, le périmètre et les limites. Distinguez l'efficacité par tâche de l'usage total, et ne fondez pas une allégation sur des compensations ou des certificats annuels. Des termes vagues comme « IA verte » ou « IA neutre en carbone » sont risqués et peuvent, au Royaume-Uni et dans l'UE, enfreindre le droit de la consommation.
- [Comment déclarer les émissions de l'IA dans notre rapport de durabilité ?](https://greenai.guide/how-do-i/report-ai-emissions-in-a-sustainability-report/): Déclarez l'IA dans votre inventaire de gaz à effet de serre existant, et non comme un chiffre à part : l'électricité du matériel que vous exploitez relève du scope 2, et les services cloud et d'IA relèvent généralement du scope 3, catégorie des achats de biens et services. Utilisez les données des fournisseurs lorsque vous pouvez les obtenir, estimez le reste à partir de l'usage avec une méthode explicite, et indiquez le périmètre et l'incertitude. Présentez l'énergie par tâche utile en parallèle du total.
- [Comment défendre l'intérêt économique de l'IA verte ?](https://greenai.guide/how-do-i/make-the-business-case-for-green-ai/): Défendez le projet en termes de coût, de vitesse et de risque, car ce qui réduit la consommation d'énergie de l'IA (des modèles plus petits, moins de tokens, moins d'appels inutiles) réduit aussi les factures et l'attente. Montrez un exemple mesuré tiré de votre propre travail, ajoutez les raisons liées aux rapports et à la réglementation, et présentez le bénéfice environnemental comme un argument réel mais secondaire si cela convient à votre public.
- [Comment désactiver les fonctions d'IA inutiles dans toute mon organisation ?](https://greenai.guide/how-do-i/switch-off-unneeded-ai-features-across-my-organisation/): Servez-vous de votre inventaire pour repérer les fonctions d'IA activées par défaut, puis décidez fonction par fonction : gardez ce que les gens utilisent, désactivez ou restreignez le reste, et donnez accès sur demande. Effectuez le changement dans les consoles d'administration plutôt que de le demander aux utilisateurs, expliquez au personnel ce qui a changé et pourquoi, et examinez les données d'usage chaque trimestre. Moins de licences d'IA inutilisées, c'est aussi de l'argent économisé.
- [Comment encourager une IA plus verte quand on est décideur public ?](https://greenai.guide/how-do-i/encourage-greener-ai-as-a-policymaker/): Commencez par la transparence : exigez ou encouragez des rapports comparables sur l'énergie, l'eau et les émissions de la part des fournisseurs d'IA et des centres de données. Utilisez la commande publique pour récompenser une IA efficace, planifiez la capacité du réseau électrique et des ressources en eau pour les centres de données, et financez la recherche et les compétences dans les méthodes efficaces. Surveillez la demande totale autant que l'efficacité, car une IA moins chère tend à être davantage utilisée.
- [Comment fixer des objectifs d'énergie et d'émissions pour l'IA ?](https://greenai.guide/how-do-i/set-targets-for-ai-energy-and-emissions/): 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.
- [Comment former le personnel à utiliser l'IA efficacement ?](https://greenai.guide/how-do-i/train-staff-to-use-ai-efficiently/): Enseignez une poignée d'habitudes lors d'une courte séance, avec de vrais exemples tirés de votre propre travail : vérifier si l'IA est le bon outil, rédiger des prompts clairs et précis, demander des réponses courtes, affiner plutôt que régénérer, et aller doucement sur les images et la vidéo. Appuyez la formation sur des réglages par défaut efficaces dans les outils de l'entreprise, car les réglages par défaut touchent aussi ceux qui sautent la formation.
- [Comment intégrer la durabilité dans les achats d'IA ?](https://greenai.guide/how-do-i/put-sustainability-into-ai-procurement/): Demandez aux fournisseurs l'énergie et les émissions par requête ou par tâche, avec la méthode et le périmètre, le lieu d'exécution de la charge de travail, et des chiffres carbone fondés à la fois sur la localisation et sur le marché. Notez la qualité de ces preuves dans l'appel d'offres, et inscrivez dans le contrat les rapports, le choix du modèle et l'information préalable en cas de changement de modèle. Beaucoup de fournisseurs ne peuvent pas encore répondre complètement, mais poser la question montre qui la prend au sérieux.
- [Comment limiter l'empreinte de l'IA dans ma petite entreprise ?](https://greenai.guide/how-do-i/keep-my-small-business-ai-footprint-low/): Utilisez l'IA pour les tâches où elle fait clairement gagner du temps, gardez des demandes courtes et précises, affinez plutôt que de régénérer, et allez-y doucement sur les images et la vidéo. Désactivez les fonctions d'IA que vous payez sans les utiliser, et tenez un relevé simple des outils que vous utilisez pour pouvoir répondre aux clients qui posent la question. Pour une petite entreprise, ces mêmes habitudes réduisent les coûts d'abonnement et de personnel.
- [Comment rendre l'usage de l'IA dans mon entreprise plus durable ?](https://greenai.guide/how-do-i/make-my-companys-ai-use-more-sustainable/): Commencez par cartographier les usages de l'IA dans votre entreprise, puis faites du choix efficace le choix par défaut : le plus petit modèle qui atteint le seuil de qualité, des réponses courtes, des fonctions d'IA désactivées sauf besoin. Demandez à vos fournisseurs l'énergie par requête et le lieu d'exécution, mesurez par tâche utile, et consignez le tout dans une courte politique avec un responsable. La plupart de ces étapes réduisent aussi les coûts et les délais, en plus de l'énergie.
- [Comment respecter les règles de documentation énergétique de l'AI Act européen ?](https://greenai.guide/how-do-i/meet-eu-ai-act-energy-documentation-rules/): Si vous fournissez un modèle d'IA à usage général dans l'UE, l'annexe XI de l'AI Act impose que votre documentation technique inclue la consommation d'énergie connue ou estimée du modèle, ainsi que les ressources de calcul utilisées pour l'entraînement. Suivez le calcul et l'énergie de l'entraînement dès le départ, consignez la méthode, et faites des estimations là où vous ne pouvez pas mesurer. Si vous ne faites qu'utiliser l'IA, l'obligation incombe à votre fournisseur, mais vous pouvez lui demander les chiffres.
- [Comment rédiger une politique d'IA verte ?](https://greenai.guide/how-do-i/write-a-green-ai-policy/): Restez bref et concret : dites quand l'IA vaut la peine d'être utilisée, fixez des réglages par défaut efficaces (le plus petit modèle suffisant, des limites de sortie, des fonctions désactivées sauf besoin), exigez des questions sur l'énergie dans les achats, et engagez-vous à mesurer par tâche. Désignez un responsable, une date de révision et quelques engagements mesurables, et rattachez la politique à des processus que vous gérez déjà.
- [Comment utiliser l'IA de façon durable dans une association ?](https://greenai.guide/how-do-i/use-ai-sustainably-in-a-charity/): Utilisez l'IA là où elle libère du temps des salariés et des bénévoles pour votre mission, choisissez l'outil le plus léger qui fait le travail, et évitez les usages lourds comme la génération d'images en masse. Rédigez une courte politique qui traite de l'impact environnemental en plus de la protection des données, posez des questions simples à vos fournisseurs sur l'énergie et la localisation, et soyez honnête avec vos soutiens sur la manière dont vous l'utilisez.
- [Comment vérifier qu'un projet d'IA vaut son coût environnemental ?](https://greenai.guide/how-do-i/check-an-ai-project-is-worth-its-footprint/): Estimez l'empreinte propre de l'IA (entraînement ou fine-tuning, plus son fonctionnement pendant sa durée de vie prévue) et mettez-la en regard du bénéfice, mesuré sur la même période. Comparez-la avec l'option sans IA la plus simple, pas avec l'inaction. Si le projet doit économiser de l'énergie ou des émissions, l'économie doit nettement dépasser le coût propre de l'IA, sinon le bilan est négatif.
- [Comment éviter que les gains d'efficacité de l'IA soient annulés par un usage accru ?](https://greenai.guide/how-do-i/stop-efficiency-gains-being-cancelled-out/): Suivez l'énergie totale de l'IA en plus de l'énergie par tâche, pour que la croissance soit visible, et décidez à l'avance de ce que deviennent les économies : retirer la capacité libérée, tenir un budget ou un plafond, ou réinvestir délibérément. Associez l'efficacité à la sobriété en vous demandant si chaque nouvel usage en vaut la peine. Sans cela, une IA moins coûteuse tend simplement à être davantage utilisée.

## Écoles, universités et formation

- [Comment enseigner aux élèves l'impact environnemental de l'IA ?](https://greenai.guide/how-do-i/teach-pupils-about-ais-environmental-impact/): Partez de l'idée que chaque réponse d'IA est calculée par de vrais ordinateurs qui consomment de l'électricité et de l'eau, puis utilisez quelques chiffres fiables et une activité pratique, comme comparer la génération de texte et celle d'images. Reliez le sujet à l'informatique, aux sciences et à la géographie, et restez équilibré : le but est d'aider les élèves à utiliser l'IA de manière réfléchie, pas de les culpabiliser de s'en servir.
- [Comment fixer des règles pour un usage durable de l'IA à l'école ?](https://greenai.guide/how-do-i/set-school-rules-for-sustainable-ai-use/): Ajoutez une courte section environnementale à la politique d'IA existante de votre établissement plutôt que d'en rédiger une à part. Précisez quand l'IA est le bon outil, privilégiez les textes courts à la génération d'images et de vidéos, fixez des réglages sobres sur les comptes de l'établissement, et expliquez aux élèves pourquoi. Gardez-la aux côtés des règles de protection de l'enfance, de protection des données et d'évaluation, qui restent prioritaires.
- [Comment intégrer l'IA verte dans un cours universitaire ?](https://greenai.guide/how-do-i/include-green-ai-in-a-university-course/): Ajoutez un volet court et pratique plutôt qu'un cours entièrement nouveau : expliquez où va l'énergie de l'IA, faites mesurer aux étudiants l'énergie de leur propre code ou de leurs exécutions de modèles, et demandez-leur de déclarer le calcul et l'énergie en parallèle de la précision. Dans les cours techniques, enseignez des méthodes efficaces comme les petits modèles, la quantification et la réutilisation ; dans les autres, concentrez-vous sur un usage raisonné et sur l'évaluation des affirmations.
- [Comment me former à l'IA verte ?](https://greenai.guide/how-do-i/learn-about-green-ai/): Commencez par une courte explication de l'endroit où va l'énergie de l'IA, puis essayez un outil gratuit sur votre propre usage, comme un outil de suivi de l'énergie du code ou un estimateur pour les appels d'API d'IA. Poursuivez avec une formation adaptée à votre niveau et une communauté ou une équipe de recherche de votre domaine. Apprendre en mesurant quelque chose de réel marque davantage que la seule lecture.
- [Comment trouver un doctorat en IA verte ?](https://greenai.guide/how-do-i/find-a-phd-in-green-ai/): Regardez au-delà des projets étiquetés « IA verte » : la recherche sur l'IA efficace relève de l'informatique, des mathématiques, du génie électrique et des sciences appliquées, souvent sous des noms comme apprentissage automatique efficace, informatique durable ou matériel basse consommation. Parcourez les programmes de formation doctorale et les offres de projets, lisez des articles récents pour repérer les directeurs de thèse actifs, et demandez comment l'énergie sera mesurée dans les travaux.
- [Comment utiliser l'IA pour mes études sans gaspiller d'énergie ?](https://greenai.guide/how-do-i/use-ai-for-studying-without-waste/): Utilisez l'IA là où elle vous aide à apprendre, par exemple pour expliquer une notion difficile, vous interroger ou commenter un brouillon, et utilisez vos notes, vos manuels et le catalogue de la bibliothèque pour les faits et les sources. Posez des questions ciblées, ne collez que le passage dont vous avez besoin, et évitez de régénérer ou de créer des images pour le plaisir : ces habitudes économisent de l'énergie et aident généralement aussi à apprendre.
