Sasha Luccioni : un AI durable est impossible sans données sur les émissions et l’usage réel

Sasha Luccioni, chercheuse en IA durable, affirme que l'industrie discute de l'empreinte environnementale de la technologie presque à l'aveugle. Sans données sur la consommation d'énergie, l'utilisation de l'eau et les scénarios d'utilisation réels, les entreprises ne peuvent pas comprendre où l'IA apporte réellement de la valeur et où elle augmente simplement la charge sur l'infrastructure.

L'industrie travaille à l'aveugle

Selon Luccioni, le principal défaut du marché ne réside pas seulement dans la croissance des centres de données, mais aussi dans le manque de rapports basiques. Les entreprises subissent déjà des pressions de la part des employés, des conseils d'administration et des équipes ESG : si une entreprise déploie Copilot, des chatbots ou la génération de contenu, elle doit comprendre comment cela affecte ses objectifs climatiques. Mais de nombreux clients de services d'IA ne savent pas où les modèles s'exécutent physiquement, à quels réseaux électriques les centres de données sont connectés et quelle est leur empreinte carbone indirecte.

Le problème affecte non seulement les entreprises privées. Les gouvernements et les agences d'énergie manquent également de chiffres pour planifier les nouvelles capacités et évaluer les conséquences de la prochaine vague de construction de centres de données. En Europe, le sujet est déjà intégré à l'agenda réglementaire autour de l'IA, et certains pays surveillent de plus près les nouveaux exploitants de centres de données.

Si la charge d'IA ne peut pas être séparée du reste de l'infrastructure cloud, toute discussion sur une croissance « verte » se transforme rapidement en spéculation.

Pas toute IA est nécessaire

Luccioni a une plainte supplémentaire : l'habitude du marché de vendre de grands modèles universels comme solution à toute tâche. En pratique, de nombreuses entreprises n'ont pas besoin d'un LLM lourd pour chaque requête. Pour chercher dans des documents d'entreprise, la classification, le filtrage, la conversion parole-texte ou les tâches analytiques spécifiques, des modèles plus simples suffisent souvent.

Ils sont moins chers, plus rapides et nécessitent moins de calcul, réduisant ainsi la charge énergétique sans perte notable de qualité dans un scénario spécifique. Un bon point de référence ici est la télémétrie. Si un fournisseur montre combien de tokens entrent et sortent, une entreprise peut comprendre quels types de requêtes dominent : du texte simple, de la génération d'images ou de la recherche approfondie.

Alors le choix du modèle devient une décision d'ingénierie, pas l'achat du « plus grand, juste au cas où ».

Par cette logique, la durabilité ne commence pas par l'interdiction de l'IA, mais par une comparaison honnête entre la tâche, le coût et l'intensité en ressources de chaque outil.

«

Nous avons toujours besoin de données sur l'énergie et l'eau pour prendre des décisions éclairées », dit Luccioni.

• modèles légers pour la recherche, la classification et les tâches routinières
• LLMs plus puissants uniquement pour l'analyse complexe
• comptabilité séparée pour la génération d'images et de vidéos
• choix de sites avec une énergie plus propre

La transparence comme levier

Luccioni dit qu'il lui manque une solution d'interface très simple : un compteur conditionnel dans ChatGPT ou Claude qui montrerait la consommation d'énergie, les émissions et la source de cette énergie après chaque requête. Un tel indicateur rendrait le coût environnemental de l'IA visible pour les utilisateurs et donnerait aux entreprises une base claire pour les décisions d'achat. Jusqu'à ce que cela se produise, la durabilité reste un sujet pour les diapositives de relations publiques, pas pour la gestion quotidienne des produits et de l'infrastructure.

Dans ce contexte, aux côtés de l'ancien responsable de la Durabilité de Salesforce Boris Gamazaichikovv, elle lance le Sustainable AI Group. Leur mission est d'aider les entreprises à comprendre quels leviers réduisent réellement les dégâts : choix du modèle, région de déploiement, fournisseur de calcul, type de tâche et source d'électricité. Si un grand acteur commence en premier à divulguer honnêtement de telles métriques et à miser sur les énergies renouvelables, cela pourrait devenir non pas une faiblesse mais un avantage compétitif.

Ce que cela signifie

La discussion environnementale autour de l'IA se déplace progressivement des craintes générales vers des questions mesurables : combien d'énergie est dépensée, où exactement les modèles s'exécutent, quelle eau et quel réseau ils utilisent, et si une telle classe de modèles est même nécessaire pour une tâche spécifique en pratique. L'étape suivante pour le marché est de rendre ces données visibles aux clients et aux régulateurs. Sans cela, l'IA durable restera une belle promesse qui ne peut pas être vérifiée.