Intelligence artificielle : une première méthodologie pour mesurer le coût environnemental de cette technologie

Rédaction de textes, créations de présentations professionnelles, fabrication d'images, de vidéos plus ou moins réalistes ou même de chansons livrées clés en main, les outils d'intelligence artificielle (IA) se sont invités depuis quelques mois dans nos ordinateurs. Avec des interfaces simplifiées pour que cette technologie – qui date de la fin des années 1950 – soit désormais accessible avec des outils grand public comme Google Gemini, ChatGPT ou Copilot.

Importants volumes de données

Pour fonctionner, ces mécanismes d'IA ont besoin d'accéder à d'importants volumes de données, à des puissances de calcul conséquentes et à des capacités de stockage à la hauteur. Ainsi une seule requête sur ChatGPT consomme 10 fois plus d'énergie qu'une même requête sur un moteur de recherche classique. Tandis que les industries historiques (automobile, aéronautique, etc.) s'ingénient désormais à modifier leurs modes de production pour précisément décarboner leurs activités, il s'agirait d'intégrer sans tarder les principes d'exigences environnementales dès la conception des services d'IA.

Le besoin de calcul informatique pour l'IA a été multiplié par 1 million en 6 ans et il décuple chaque année.

Sundar Pichai, PDG de Google

discours du 14 mai 2024

Il faut créer des indicateurs précis et chiffrés pour mesurer ce coût écologique global. Pour faire émerger ce qu'on qualifie d'IA frugales. Or, jusqu'à présent il n'existait pas, à l'échelle internationale, de référentiel accessible et maniable par tous. D'où l'importance de l'initiative française de l'Ecolab du Commissariat général au développement durable et de l'Association française de normalisation (AFNOR) qui ont publié à l'été 2024 une méthodologie opérationnelle pour évaluer l'impact environnemental de l'IA.

Mesurer, et donc réduire, l'impact

Cette méthodologie a été élaborée conjointement par des contributeurs issus du monde de la recherche académique, des entreprises, des associations et des administrations publiques. Ce qui contribue à une approche transverse et non partisane. Autant de critères (dépenses en eau et en énergie, modalités de stockage des données, qualité des jeux de données, réutilisation d'algorithmes déjà entraînés, etc.) qui aideront les producteurs d'IA à mesurer – et donc à réduire – l'impact de leurs solutions. Cela leur permettra d'afficher leurs performances en la matière, et aux acheteurs et utilisateurs d'IA d'évaluer et de comparer les méthodes de leurs prestataires.

Soit une démarche vertueuse pour l'ensemble des parties prenantes.