L’intelligence artificielle s’intègre rapidement à l’infrastructure numérique du quotidien. Les Large Language Models (LLM) prennent désormais en charge des tâches allant du service client et du développement logiciel à la gestion des connaissances internes et à l’analyse de données.

À mesure que leur adoption progresse, les organisations s’interrogent de plus en plus sur l’empreinte carbone de l’IA et des Large Language Models. Les LLM constituent-ils une source d’émissions importante ? Leur utilisation doit-elle être prise en compte dans les stratégies climat des entreprises ?

Le débat public se concentre souvent sur l’énergie nécessaire pour générer des réponses aux prompts. Pourtant, la recherche montre que ce n’est pas là que se situe l’essentiel des émissions. La majeure partie de l’impact environnemental des LLM survient plus tôt dans le cycle de vie du modèle, en particulier lors de l’entraînement.

Comprendre où les émissions se produisent réellement est important pour les consultants en durabilité qui conseillent les organisations en matière de comptabilité carbone, de reporting ESG et d’impacts de l’infrastructure numérique.

D’où proviennent les émissions des LLM ?

Sur l’ensemble du cycle de vie d’un Large Language Model, la grande majorité des émissions se produit avant que le modèle ne soit utilisé par les utilisateurs finaux.

L’entraînement d’un LLM nécessite d’énormes ressources de calcul. Au cours de cette phase, le modèle apprend à partir de vastes jeux de données grâce à des processus d’optimisation répétés qui exigent une puissance de calcul considérable.

Une étude réalisée par Carbone4 sur le LLM de Mistral fournit une répartition utile des émissions sur le cycle de vie du modèle :

Cela signifie qu’environ 95 % de l’empreinte carbone totale d’un LLM est déterminée lors de son développement, et non lors de son utilisation quotidienne.

Deux facteurs expliquent cette répartition.

1. Une forte demande de calcul pendant l’entraînement

L’entraînement implique des charges de calcul extrêmement importantes, comprenant souvent :

Ces cycles d’entraînement peuvent durer des semaines, voire des mois, selon la taille du modèle.

2. Les émissions grises du matériel spécialisé

La production de matériel d’IA haute performance contribue également à l’empreinte globale. La fabrication :

génère d’importantes émissions grises.

Ensemble, la consommation d’électricité pendant l’entraînement et la fabrication du matériel dominent l’empreinte sur le cycle de vie des Large Language Models.

L’impact carbone de l’utilisation des Large Language Models

Contrairement à l’entraînement, les émissions liées à l’utilisation des LLM sont relativement faibles.

Lorsque les utilisateurs soumettent des prompts, le modèle effectue une opération appelée inférence : il génère une réponse à l’aide de ses paramètres entraînés. Ce processus nécessite de la puissance de calcul, mais il est bien moins énergivore que l’entraînement.

Selon les estimations, la génération de réponses à 1.000 prompts entraîne des émissions comprises entre environ 5 et 500 gCO₂e. Ces chiffres supposent une intensité carbone de l’électricité d’environ 480 gCO₂/kWh.

Cette fourchette dépend de plusieurs facteurs :

Même dans le haut de la fourchette, les émissions restent faibles par rapport à la plupart des composantes d’une empreinte carbone personnelle ou d’entreprise typique.

Par exemple, les émissions liées à :

dépassent souvent celles associées à des milliers de requêtes d’IA.

C’est pourquoi les émissions liées à l’utilisation des LLM sont généralement négligeables dans la plupart des empreintes carbone d’entreprise.

Pourquoi la taille du modèle détermine l’empreinte carbone de l’IA

Bien que les émissions liées à l’utilisation soient faibles, l’empreinte carbone globale des modèles d’IA est fortement liée à la taille du modèle.

Les modèles plus grands nécessitent :

Par conséquent, les émissions augmentent considérablement avec le nombre de paramètres du modèle.

Cela crée un levier de durabilité important. Dans de nombreuses applications concrètes, des modèles généralistes extrêmement volumineux ne sont pas nécessaires.

Les organisations peuvent souvent utiliser à la place :

Ces approches peuvent réduire considérablement les besoins en calcul tout en offrant des performances satisfaisantes.

Pour les consultants en durabilité qui conseillent les organisations sur l’adoption de l’IA, le choix du modèle devient l’un des facteurs les plus déterminants de l’impact environnemental.

Ce que les émissions de l’IA signifient pour la comptabilité carbone des entreprises

L’essor de l’IA soulève plusieurs questions pratiques en matière de comptabilité carbone et de reporting de durabilité.

Trois aspects sont particulièrement pertinents.

1. Mettre en perspective les émissions de l’IA

Dans la plupart des organisations, les émissions liées à l’utilisation de l’IA représenteront une très faible part des émissions totales.

D’autres sources d’émissions dominent généralement l’empreinte des entreprises, notamment :

Cela signifie que l’utilisation de l’IA devient rarement un axe majeur des stratégies de décarbonation des entreprises.

2. Comprendre les frontières du cycle de vie

La plupart des émissions surviennent lors du développement des modèles et de la production du matériel, qui ont généralement lieu au sein de l’infrastructure des fournisseurs de technologie.

Cela pose des défis aux cadres de comptabilité des entreprises, car :

Comprendre ces frontières du cycle de vie est essentiel pour évaluer l’impact environnemental des technologies numériques.

3. Identifier des leviers de réduction concrets

Pour les organisations qui déploient des systèmes d’IA, les options de réduction des émissions les plus réalistes consistent à :

Ces choix permettent de réduire la consommation d’énergie tout en préservant les avantages des technologies d’IA.

L’empreinte carbone future de l’intelligence artificielle

L’impact environnemental de l’IA dépendra en grande partie de la manière dont les modèles sont conçus, entraînés et déployés.

Plusieurs tendances influenceront l’empreinte carbone future des Large Language Models :

Dans le même temps, la croissance rapide de l’utilisation de l’IA signifie que la demande totale d’énergie pourrait continuer à augmenter.

Pour les professionnels de la durabilité, cela souligne l’importance de comprendre l’infrastructure numérique qui sous-tend les systèmes d’IA, notamment :

Points clés : l’impact carbone des Large Language Models

Pour les consultants en durabilité qui conseillent les organisations sur l’adoption de l’IA, plusieurs conclusions se dégagent :

En pratique, la stratégie la plus efficace pour réduire l’empreinte carbone de l’IA ne consiste pas à limiter l’utilisation individuelle, mais à améliorer l’efficacité des modèles et les choix de déploiement.

À mesure que l’intelligence artificielle continue de se diffuser dans les systèmes numériques, la compréhension de ces dynamiques deviendra de plus en plus importante pour les professionnels de la durabilité qui travaillent à l’intersection de l’IA, de la comptabilité carbone et de la stratégie climat.

Cet article s’appuie sur les sources suivantes :

---

À propos de Carbon+Alt+Delete

Nous fournissons un logiciel de comptabilité carbone pour les consultants en durabilité et les entreprises de conseil qui guident les entreprises vers le net zéro.

Curieux de découvrir comment notre logiciel peut améliorer vos services de comptabilité carbone ?

N’hésitez pas à nous contacter via [email protected] ou à réserver un rendez-vous avec l’un de nos experts ici.