greenai.guide

Accueil › Glossaire de l'IA verte

Glossaire de l'IA verte

En bref

Ce glossaire définit les termes que l'on rencontre en commençant à se documenter sur le coût environnemental de l'IA, en langage clair et par ordre alphabétique (de l'anglais). Chaque terme a son propre lien, pour que les autres pages du site puissent y renvoyer directement.

Points clés

  • L'entraînement construit un modèle une fois ; l'inférence correspond à chaque utilisation ultérieure.
  • L'efficacité consiste à faire autant avec moins ; la sobriété consiste à se demander si la tâche doit vraiment être faite avec l'IA.
  • Le PUE compare l'énergie totale d'un centre de données à celle consommée par ses ordinateurs ; 1,0 serait parfait.
  • L'effet rebond se produit lorsque l'efficacité rend quelque chose moins cher et augmente ainsi la consommation totale.

L'IA verte réunit l'informatique, les mathématiques, l'ingénierie, l'énergie et les politiques publiques, et chaque domaine a son propre vocabulaire. Des mots comme « modèle », « efficacité » et même « IA » n'ont pas le même sens pour tout le monde. Un « sandpit » britannique sur l'IA verte, organisé en 2026 avec des mathématiciens, des informaticiens et des industriels, a constaté que les termes que l'on voulait le plus voir clarifiés étaient les plus élémentaires : c'est pourquoi ce glossaire part de zéro. Les termes suivent l'ordre alphabétique de l'anglais. S'il manque un terme dont vous avez besoin, dites-le-nous.

IA agentique

Une IA qui réalise seule une tâche en plusieurs étapes, par exemple chercher, écrire du code, l'exécuter et corriger les erreurs, au lieu de donner une réponse unique. Comme chaque étape sollicite à nouveau le modèle, l'IA agentique peut consommer bien plus de tokens qu'une conversation, et des agents bloqués dans des boucles peuvent en gaspiller beaucoup. Voir IA agentique et gaspillage de tokens.

IA

Abréviation d'intelligence artificielle : des systèmes informatiques qui effectuent des tâches que l'on associe à l'intelligence humaine, comme reconnaître des images, comprendre le langage ou faire des prédictions. Dans le langage courant de 2026, « IA » désigne généralement de grands modèles génératifs comme les chatbots, mais le terme couvre aussi des systèmes bien plus petits, comme les filtres antispam et les modèles météorologiques : il vaut donc la peine de préciser de quoi l'on parle.

Culture de l'IA

Les connaissances et compétences nécessaires pour comprendre, utiliser et évaluer l'IA avec discernement : ce qu'elle peut et ne peut pas faire, comment vérifier ses résultats, et ses coûts, y compris environnementaux.

Différentiation automatique

Une technique qui permet à un ordinateur de calculer exactement comment le résultat d'un calcul varie quand chaque entrée varie. C'est ainsi qu'apprennent les réseaux de neurones (on parle alors de rétropropagation), et elle sert aussi à optimiser des simulations scientifiques.

Banc d'essai (benchmark)

Un test standard qui permet de comparer équitablement des systèmes, par exemple la précision de modèles sur un même ensemble de questions, ou l'énergie qu'ils consomment pour une même tâche. Un benchmark ne vaut que par les tâches et les mesures qu'il contient.

Informatique sensible au carbone

Exécuter des tâches informatiques aux moments ou aux endroits où l'électricité est plus propre, par exemple en reportant un long entraînement jusqu'à ce que le vent souffle. Cela convient aux travaux qui n'exigent pas de réponse immédiate.

Intensité carbone

La quantité de dioxyde de carbone (ou de gaz à effet de serre équivalent) émise pour chaque unité d'électricité, généralement exprimée en grammes de CO₂e par kilowattheure. Elle varie selon les pays et les heures, en fonction de la part d'électricité issue des combustibles fossiles ou des énergies renouvelables.

Centre de données

Un bâtiment rempli d'ordinateurs, de stockage et d'équipements réseau, avec l'alimentation et le refroidissement nécessaires à leur fonctionnement. La plupart des chatbots d'IA tournent dans des centres de données, et non sur l'appareil de l'utilisateur.

Modèle de diffusion

Un type d'IA générative, très utilisé pour les images et la vidéo, qui apprend à transformer pas à pas un bruit aléatoire en image. Ses nombreuses étapes expliquent en partie pourquoi générer des images consomme bien plus d'énergie qu'un texte court.

Distillation

Entraîner un petit modèle « élève » à imiter un grand modèle « enseignant », afin que le petit puisse accomplir une tâche presque aussi bien pour une fraction du coût de calcul.

IA en périphérie (edge AI)

Une IA qui tourne sur l'appareil où se trouvent les données, ou près de lui, comme un téléphone, une caméra ou un capteur d'usine, plutôt que dans un centre de données lointain. Elle peut économiser l'énergie du réseau et protéger la vie privée, mais de petits appareils multipliés par millions finissent aussi par peser. Voir périphérie ou cloud.

Efficacité

Obtenir le même résultat utile avec moins de ressources : moins d'énergie, de temps, d'eau ou de matériel par tâche. L'efficacité est indispensable à l'IA verte, mais elle ne suffit pas à elle seule, à cause de l'effet rebond.

Carbone intrinsèque

Les émissions liées à la fabrication, au transport et, à terme, à l'élimination des équipements, par opposition à leur fonctionnement. Pour l'IA, cela inclut la fabrication des puces, des serveurs et des bâtiments des centres de données.

Étiquette énergie

Une note simple qui indique la quantité d'énergie qu'un produit consomme, comme les étiquettes de A à G des réfrigérateurs en Europe. Plusieurs groupes développent des équivalents pour les modèles d'IA, comme l'AI Energy Score de Hugging Face, et l'AI Act de l'UE impose aux fournisseurs de modèles d'IA à usage général de documenter leur consommation d'énergie connue ou estimée. Voir des étiquettes énergie pour l'IA.

Ajustement fin (fine-tuning)

Reprendre un modèle déjà entraîné et l'entraîner encore un peu sur des données spécialisées, pour qu'il soit plus performant sur une tâche particulière. Cela coûte bien moins cher qu'un entraînement à partir de zéro.

FLOPs

Opérations en virgule flottante : les étapes arithmétiques de base (additions et multiplications de nombres décimaux) qu'effectue un ordinateur. Les compter est une façon courante d'estimer la quantité de calcul dont un modèle a besoin. FLOPS avec un S majuscule désigne généralement des opérations par seconde.

FPGA

Un réseau de portes programmables (field-programmable gate array) : une puce dont les circuits peuvent être reconfigurés après sa fabrication. Les FPGA peuvent être très efficaces pour une tâche précise et être reprogrammés à mesure que les modèles évoluent, mais ils sont plus difficiles à programmer que les GPU.

IA générative

Une IA qui crée du contenu nouveau, comme du texte, des images, de l'audio, de la vidéo ou du code, en réponse à une demande. Les chatbots et les générateurs d'images relèvent de l'IA générative.

GPU

Un processeur graphique (graphics processing unit) : une puce conçue à l'origine pour l'infographie, capable d'effectuer de nombreux calculs simultanément. Les GPU sont le principal matériel utilisé pour entraîner et faire tourner l'IA moderne.

IA verte

Une IA développée et utilisée de façon à réduire autant que possible son empreinte en énergie, en carbone, en eau et en matériaux, et utilisée là où elle apporte une vraie valeur. Elle recouvre à la fois le fait de rendre l'IA plus efficace et celui de ne l'utiliser que lorsqu'elle est le bon outil. Voir qu'est-ce que l'IA verte ?.

Écoblanchiment

Le fait d'affirmer de façon trompeuse qu'un produit ou une organisation est meilleur pour l'environnement qu'il ne l'est réellement. Dans l'UE, la directive (UE) 2024/825 interdit les allégations environnementales génériques non prouvées adressées aux consommateurs. Voir des allégations vertes honnêtes.

Inférence

L'utilisation d'un modèle entraîné pour produire un résultat, comme répondre à une question ou générer une image. Chaque prompt est une inférence : pour les outils populaires, l'énergie de l'inférence continue donc de s'accumuler tant que le modèle est utilisé.

Paradoxe de Jevons

Le constat, fait par l'économiste William Stanley Jevons dans son livre de 1865 The Coal Question, que des machines à vapeur plus efficaces ont conduit la Grande-Bretagne à brûler plus de charbon, et non moins. C'est le cas extrême de l'effet rebond, où l'efficacité augmente la consommation totale.

Cache KV

Abréviation de cache clé-valeur (key–value cache). Lorsqu'un modèle de langage écrit une réponse un token à la fois, il conserve des résultats intermédiaires (les « clés » et les « valeurs » de son calcul d'attention) pour ne pas avoir à les recalculer à chaque étape. Cela économise beaucoup de calcul, mais consomme de la mémoire.

Grand modèle de langage

Un modèle d'IA générative entraîné sur d'énormes quantités de texte pour prédire et produire du langage, souvent abrégé en LLM (large language model). La plupart des chatbots reposent sur l'un d'eux.

Latence

Le délai entre une demande et l'obtention de la réponse. Certaines techniques d'IA verte échangent un peu de latence contre une consommation d'énergie plus faible, par exemple en regroupant les requêtes ou en attendant une électricité plus propre.

Sophisme de McNamara

L'erreur qui consiste à considérer que ce qui se mesure facilement est tout ce qui compte, et à ignorer le reste. En IA verte, c'est une mise en garde contre le fait de juger les systèmes uniquement sur des chiffres commodes en négligeant des préjudices plus difficiles à quantifier, comme la consommation d'eau ou les effets sociaux.

Précision mixte

Effectuer certains calculs avec moins de chiffres de précision que d'autres, lorsque le résultat n'en souffre pas. Une précision plus faible consomme moins de mémoire et d'énergie.

Mélange d'experts

Une architecture de modèle composée de nombreux sous-réseaux spécialisés (des « experts »), où un routeur n'envoie chaque entrée qu'à quelques-uns d'entre eux. Seule une partie du modèle sert à chaque réponse, ce qui économise du calcul, même si le modèle entier doit être en mémoire et est sollicité pendant l'entraînement.

Modèle

En IA, un modèle est le système entraîné qui transforme des entrées en sorties : l'ensemble des nombres appris (les paramètres) et la structure qui les utilise. En sciences et en ingénierie, « modèle » peut aussi désigner une description mathématique d'un système, comme un modèle climatique : il est donc utile de préciser de quoi l'on parle.

Fusion de modèles (souping)

Combiner deux modèles ou plus, souvent en faisant la moyenne de leurs paramètres, pour obtenir un modèle qui réunit les points forts de chacun sans en entraîner un nouveau à partir de zéro. « Model soups » est le nom employé par Wortsman et ses collègues en 2022.

Système multi-agents

Un ensemble d'agents d'IA qui travaillent ensemble ou se transmettent des tâches. Ils peuvent être puissants, mais s'ils restent bloqués à dialoguer entre eux, ils peuvent consommer d'énormes quantités de tokens sans résultat utile.

Modèle à poids ouverts

Un modèle dont les paramètres entraînés (les poids) sont publiés, pour que chacun puisse le télécharger et l'exécuter, même si ses données et son code d'entraînement ne le sont pas. Les modèles à poids ouverts peuvent être exécutés en local et adaptés, et leur consommation d'énergie peut être mesurée de façon indépendante.

Orchestration

Coordonner plusieurs modèles, outils ou composants préexistants pour accomplir une tâche, plutôt que de laisser un seul grand modèle tout générer. Voir l'orchestration plutôt que la génération.

Paramètres

Les nombres internes d'un modèle, ajustés pendant l'entraînement, qui stockent ensemble ce qu'il a appris. Les grands modèles de langage en comptent des milliards ; la famille Llama 3.1 de Meta, par exemple, existe en tailles de 8, 70 et 405 milliards de paramètres. Plus de paramètres signifie généralement plus de calcul par réponse.

Réseau de neurones informé par la physique

Un réseau de neurones entraîné à respecter des lois physiques connues, comme la conservation de l'énergie, tout en s'ajustant aux données. Intégrer ces connaissances peut permettre d'utiliser moins de données, moins de paramètres et moins d'entraînement.

Prompt

L'instruction ou la question qu'une personne adresse à un modèle d'IA générative. Des prompts clairs et précis obtiennent généralement une bonne réponse du premier coup, ce qui économise du temps et de l'énergie.

Élagage (pruning)

Supprimer des parties d'un modèle entraîné, comme des poids individuels ou des connexions entières, qui contribuent peu à son résultat. Un modèle élagué est plus petit et moins coûteux à exécuter, souvent avec une faible perte de précision.

PUE

L'indicateur d'efficacité énergétique (power usage effectiveness) : la consommation totale d'énergie d'un centre de données divisée par l'énergie consommée par ses équipements informatiques. Un PUE de 1,0 signifierait qu'aucune énergie ne part dans le refroidissement ou les pertes électriques ; plus il est bas, mieux c'est. Voir hébergement et centres de données pour des valeurs types et leurs sources.

Quantification

Stocker les nombres d'un modèle avec moins de chiffres, par exemple sur 8 ou 4 bits au lieu de 16 ou 32 bits. Le modèle devient plus petit et son exécution consomme moins d'énergie, généralement avec une faible perte de qualité.

Effet rebond

Lorsqu'un gain d'efficacité rend quelque chose moins cher ou plus facile, si bien qu'on l'utilise davantage et qu'une partie ou la totalité de l'économie est perdue. Si l'usage augmente au point que la consommation totale croît, on parle de paradoxe de Jevons. Voir l'efficacité n'est pas la sobriété.

Routage

Envoyer chaque requête au modèle le plus adapté, par exemple un petit modèle bon marché pour les questions simples et un grand modèle uniquement pour les questions difficiles. Le bon seuil est important : un modèle trop petit risque d'échouer et d'imposer une seconde tentative avec un modèle plus grand.

Émissions des scopes 1, 2 et 3

Les trois catégories du Greenhouse Gas Protocol. Le scope 1 couvre les émissions directes provenant de sources qu'une organisation possède ou contrôle ; le scope 2, les émissions liées à l'électricité, à la chaleur ou au froid qu'elle achète ; le scope 3, toutes les autres émissions indirectes de sa chaîne de valeur, comme la fabrication du matériel qu'elle achète.

Petit modèle de langage

Un modèle de langage comptant relativement peu de paramètres, conçu pour fonctionner à faible coût, parfois sur un ordinateur portable ou un téléphone. Pour des tâches ciblées, un petit modèle bien choisi peut égaler un modèle beaucoup plus grand. Voir choisir le bon modèle.

Intensité carbone des logiciels

Une méthode de la Green Software Foundation, également publiée sous forme de norme ISO, pour calculer le carbone émis par unité de travail effectuée par un logiciel, par exemple par utilisateur ou par requête.

IA souveraine

Des capacités d'IA, comme les modèles, les données et l'infrastructure de calcul, qu'un pays ou une région contrôle lui-même au lieu de dépendre de fournisseurs étrangers. Elle soulève ses propres questions de durabilité ; voir IA souveraine et durabilité.

Parcimonie

Lorsque de nombreux nombres d'un modèle, ou de nombreuses activations pour une entrée donnée, sont nuls. Le calcul peut ignorer les zéros : un modèle parcimonieux peut donc être bien moins coûteux à exécuter si le matériel et le logiciel le permettent.

Réseau de neurones à impulsions

Un réseau de neurones qui, comme le cerveau, transmet l'information par de brèves impulsions et reste en grande partie inactif entre elles. Sur un matériel adapté, ces réseaux promettent une très faible consommation d'énergie, notamment en périphérie.

Sobriété

N'utiliser une ressource que dans la mesure où un besoin l'exige réellement, y compris en se demandant si l'IA est nécessaire. C'est le pendant de l'efficacité : l'efficacité demande « comment faire cela avec moins ? », la sobriété demande « avons-nous besoin de le faire ? ».

Modèle de substitution

Un modèle rapide et approximatif, entraîné pour remplacer un calcul lent et coûteux, comme une partie d'une simulation climatique ou d'ingénierie. Un bon modèle de substitution peut faire économiser beaucoup d'énergie, à condition que sa précision soit vérifiée.

IA durable

Un terme large désignant une IA qui peut être développée et utilisée sans épuiser les ressources dont elle dépend, incluant souvent les effets sociaux et économiques en plus des effets environnementaux. Il recoupe celui d'IA verte, et les deux sont souvent employés indifféremment.

Token

Le fragment de texte qu'un modèle de langage lit et écrit, souvent une partie de mot. La règle empirique d'OpenAI pour l'anglais est qu'un token équivaut à environ quatre caractères, soit environ les trois quarts d'un mot ; d'autres langues ont souvent besoin de plus de tokens pour le même sens. Plus il y a de tokens, plus il faut de calcul.

TPU

Une unité de traitement de tenseurs (tensor processing unit) : une puce conçue par Google spécifiquement pour les calculs utilisés en apprentissage automatique.

Entraînement

Construire un modèle en lui présentant de grandes quantités de données et en ajustant ses paramètres de façon répétée pour réduire ses erreurs. Entraîner un grand modèle peut prendre des mois sur des milliers de puces ; Meta déclare 39,3 millions d'heures GPU pour entraîner sa famille Llama 3.1.

Quantification de l'incertitude

Déterminer le degré de confiance que l'on peut accorder au résultat d'un modèle, par exemple en donnant une fourchette plutôt qu'un chiffre unique. Cela aide à décider quand un modèle moins coûteux suffit et quand un résultat doit être vérifié.

WUE

L'indicateur d'efficacité hydrique (water usage effectiveness) : l'eau consommée sur site par un centre de données, en litres, divisée par l'énergie consommée par ses équipements informatiques, en kilowattheures. Plus il est bas, mieux c'est, même si une conception de refroidissement qui économise l'eau peut consommer plus d'électricité, et inversement.

Questions fréquentes

Quelle est la différence entre IA verte et IA durable ?

Les deux termes sont employés de façon qui se recoupe. L'IA verte se concentre généralement sur la réduction de l'énergie, du carbone, de l'eau et des matériaux qu'utilise l'IA ; l'IA durable est souvent plus large et couvre aussi les effets sociaux et économiques, ainsi que la capacité des ressources à se renouveler aussi vite qu'elles sont consommées.

Qu'est-ce qu'un token en IA ?

Un token est le fragment de texte qu'un modèle de langage lit ou écrit, souvent une partie de mot. La règle empirique d'OpenAI pour l'anglais est d'environ quatre caractères, soit les trois quarts d'un mot, par token.

Quelle est la différence entre entraînement et inférence ?

L'entraînement consiste à construire un modèle en le faisant apprendre à partir de données, généralement une seule fois et à grand coût. L'inférence consiste à utiliser le modèle terminé pour répondre à une question ou créer une image, ce qui se produit chaque fois que quelqu'un l'utilise.

Sources

  1. What are tokens and how to count them?, OpenAI Help Center (2025)
  2. Uptime Institute global data center survey 2025, Uptime Institute (2025)
  3. Data center metering and resource guide, Lawrence Berkeley National Laboratory (2017)
  4. GHG Protocol corporate standard, Greenhouse Gas Protocol (2004)
  5. W. Stanley Jevons, The Coal Question, 1865, Yale University, Energy History (1865)
  6. Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time, Wortsman et al. (arXiv:2203.05482) (2022)
  7. Annex XI: technical documentation for providers of general-purpose AI models, European Commission, AI Act Service Desk (2024)
  8. Directive (EU) 2024/825 on empowering consumers for the green transition, European Union (2024)
  9. Software Carbon Intensity specification, Green Software Foundation (2024)
  10. ISO/IEC 21031:2024 Software carbon intensity (SCI) specification, International Organization for Standardization (2024)
  11. Llama 3.1 8B model card, Meta (Hugging Face) (2024)

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