Événements DAC

Le Club Innovation de l’Institut Choiseul dont DAC France est partenaire organisait hier soir un débat réunissant Anne Bouverot, Hugues Even, Etienne Grass, Philippe Limantour et Frédéric Worms. À une semaine du Sommet pour l’action sur l’Intelligence Artificielle (10-11 février à Paris), qui rassemblera plus de 100 pays et vise à mettre en lumière les acteurs européens et français innovants (Poolside, Alan, H, Mistral, Capgemini, etc.), la discussion portait à la fois sur l’IA en tant que moteur de croissance et sur les défis que son développement implique en matière d’énergie durable. Lancement d’un Observatoire mondial sur l’impact environnemental de l’IA Frédéric Worms, directeur de l’ENS a annoncé la création de l’Observatoire mondial sur l’impact environnemental de l’IA, soutenu par Capgemini, l’Institut IA et Société, l’ENS et la Fondation de l’ENS. Cet Observatoire analysera les effets environnementaux de l’IA à chaque étape de son cycle de vie (entraînement, ajustement, inférence et fin de vie) et proposera des mesures d’atténuation de ces impacts. L’objectif est d’établir une méthodologie robuste et largement partagée, afin de promouvoir des pratiques d’utilisation de l’IA compatibles avec un développement durable. En effet, la trajectoire de consommation énergétique de l’IA n’est actuellement pas soutenable : Une requête sur ChatGPT entraîne une dépense énergétique dix fois supérieure à celle d’une recherche Google et l’IA générative consommerait jusqu’à 4600 fois plus d’énergie que l’IA dite « traditionnelle » (Machine Learning, Deep Learning). L’annonce récente de modèles présentés comme plus « frugaux » tels que DeepSeek ne permet pas, pour l’instant, d’anticiper une baisse significative de la consommation. D’une part, il subsiste des incertitudes quant aux modalités d’entraînement du modèle (le seul dernier entraînement aurait coûté 6 millions de dollars, sans compter les coûts antérieurs) ; d’autre part, l’inférence s’avère souvent plus énergivore que l’entraînement, et les détails relatifs à l’inférence de DeepSeek demeurent inconnus. Enfin, le paradoxe de Jevons rappelle que toute optimisation peut s’accompagner d’une utilisation accrue, annulant l’effet positif attendu sur la consommation. L’IA au cœur de l’innovation Pour illustrer le rôle central de l’IA dans l’innovation, Philippe Limantour a rappelé que Microsoft, grâce à l’IA, a découvert en seulement quelques semaines un nouvel électrolyte destiné à la production de batteries. Par ailleurs, l’IA offre la possibilité d’optimiser des milliards de lignes de code actuellement utilisées dans les entreprises, dont la consommation énergétique n’est généralement pas évaluée. Microsoft n’a pas attendu l’avènement de l’IA générative pour déployer des cas d’usage responsables : Optimisation des infrastructures pour réduire l’empreinte carbone et atteindre un objectif d’émissions négatives à l’horizon 2030, conservation des données dans du verre afin de diminuer la consommation des datacenters, développement de modèles plus spécialisés et plus compacts, moins énergivores que les grands modèles généralistes. De l’utilisation récréative aux agents conversationnels complexes Etienne Grass (Capgemini) est revenu sur les trois dernières années de l’IA générative. Après une phase initiale tournée vers des usages récréatifs, l’IA s’est progressivement déployée dans la recherche en ligne, très consommatrice d’énergie, puis dans les systèmes dits RAG (Retrieval Augmented Generative), permettant la recherche au sein de bases documentaires. Aujourd’hui, l’essor des agents se profile : ces derniers sont capables de piloter des processus opérationnels complets en recourant à plusieurs modèles ou agents spécialisés communiquant entre eux. « Big is Beautiful » versus « Less is Good » : la course au gigantisme face à la spécialisation Hugues Even (BNP Paribas) a rappelé que l’IA générative, bien que nécessitant d’importantes ressources rarement maîtrisables, ne doit pas occulter le potentiel encore sous-exploité de l’IA traditionnelle (Machine Learning, Deep Learning, réseaux de neurones), dont les applications sont nombreuses (amélioration de la satisfaction client, gestion des risques, détection de fuites, cybersécurité, lutte contre la fraude au paiement, etc.). Dans ce contexte, on observe simultanément : Une course au gigantisme, symbolisée par certains projets comme le « projet Stargate » (500 milliards de dollars) vs le développement de modèles plus compacts et plus spécialisés, capables de fournir des performances élevées à moindre coût énergétique. BNP Paribas, par exemple, exploite en interne l’ensemble des modèles de Mistral, qui s’efforce de réduire sa consommation en énergie en procédant à une stricte curation des données avant tout entraînement. Le débat a ainsi mis en lumière la nécessité de concilier la capacité d’innovation de l’IA avec la préservation de l’environnement. S’il reste crucial de poursuivre la recherche sur des modèles plus économes et de généraliser leur usage, l’essor de l’IA doit s’accompagner d’une réflexion globale sur la sobriété énergétique, ainsi que du développement de méthodologies communes pour en mesurer les impacts.