Green AI : concilier performance des modèles et sobriété énergétique

On répète souvent qu'entraîner un grand modèle de langage consomme autant d'énergie que plusieurs foyers sur une année entière. Le chiffre frappe, mais il ne raconte qu'un fragment de l'histoire. La partie la plus intéressante — celle que cet article explore en profondeur — concerne les techniques concrètes qui permettent aujourd'hui de diviser la consommation d'un modèle par dix, parfois davantage, tout en conservant des performances de premier plan. C'est le champ du Green AI : un domaine d'ingénierie en pleine maturation où le logiciel, le matériel et la gouvernance énergétique convergent pour réconcilier puissance de calcul et sobriété. De la quantization aux datacenters de nouvelle génération, des benchmarks MLPerf Power aux outils open source de mesure carbone, voici un état des lieux technique et actionnable pour les équipes qui déploient de l'intelligence artificielle en production.

L'ambition de cette chronique est double. D'abord, poser des chiffres solides et sourcés sur l'empreinte réelle de l'IA, en distinguant soigneusement ce qui est mesuré de ce qui est estimé. Ensuite, présenter la boîte à outils du praticien : les méthodes éprouvées, leurs gains mesurés, leurs compromis, et la façon de les combiner. Que vous soyez data scientist, ingénieur ML ou responsable technique, l'objectif est de vous donner des leviers utilisables dès demain, pas des généralités.

Un mot de méthode, d'abord. Le sujet est propice aux raccourcis, dans les deux sens : minimiser l'empreinte comme la dramatiser. Nous prenons ici le parti de la mesure. Les ordres de grandeur cités proviennent de rapports publics — Agence internationale de l'énergie, articles académiques, rapports de durabilité des opérateurs — et sont présentés comme tels : des estimations robustes, mais des estimations. Là où les données manquent, nous le disons plutôt que de combler par une valeur inventée.

L'empreinte énergétique de l'IA : un état des lieux chiffré

Avant de parler solutions, posons le décor. L'empreinte énergétique de l'IA se décompose en trois postes principaux : l'entraînement des modèles, l'inférence (leur utilisation au quotidien) et l'infrastructure physique qui les héberge — datacenters, refroidissement, réseau. Chacun de ces postes a évolué de manière notable ces dernières années, et pas toujours dans la direction que l'on imagine.

Les datacenters dans le paysage électrique mondial

Le point de repère le plus fiable vient de l'Agence internationale de l'énergie (IEA). Selon son rapport Energy and AI publié en avril 2025, les datacenters du monde ont consommé environ 415 térawattheures (TWh) en 2024, soit à peu près 1,5 % de la consommation électrique mondiale. C'est déjà considérable, mais cela reste minoritaire à l'échelle de la planète — à titre de comparaison, la seule climatisation résidentielle et tertiaire pèse plusieurs fois davantage.

La trajectoire, en revanche, est franche. L'IEA projette que la consommation des datacenters pourrait environ doubler d'ici 2030, pour atteindre autour de 945 TWh dans son scénario de référence, soit un peu moins de 3 % de la consommation électrique mondiale à cet horizon. La part liée aux serveurs accélérés — ceux qui font tourner l'IA — croîtrait d'environ 30 % par an, contre 9 % pour les serveurs conventionnels. Autrement dit, l'IA est le principal moteur de cette accélération, sans en être aujourd'hui la totalité.

Il faut manier ces projections avec prudence. Elles intègrent déjà des hypothèses fortes sur les gains d'efficacité à venir : matériel plus performant, quantization généralisée, meilleurs datacenters. Sans ces gains, les mêmes analyses conduiraient à des chiffres nettement supérieurs. C'est un point structurant du débat : l'efficacité n'est pas une option cosmétique, c'est précisément ce qui détermine la pente de la courbe.

L'entraînement : le chiffre fondateur et sa mise en perspective

Les estimations d'empreinte à l'entraînement varient selon les méthodologies, mais les ordres de grandeur sont désormais bien documentés. L'article fondateur de Strubell, Ganesh et McCallum (2019), Energy and Policy Considerations for Deep Learning in NLP, a posé les bases de la discussion. Les auteurs y estimaient que l'entraînement complet d'un grand modèle de traitement du langage, en incluant la recherche d'hyperparamètres et les expérimentations, pouvait émettre autant de CO₂ que cinq voitures sur toute leur durée de vie. Ce travail a eu un immense mérite : il a rendu tangible une consommation jusque-là invisible, et lancé tout un champ de recherche.

Depuis, les modèles ont grandi de plusieurs ordres de grandeur en nombre de paramètres. Mais l'efficacité matérielle et logicielle a progressé en parallèle, ce qui rend la comparaison directe trompeuse. Les accélérateurs de génération Hopper (H100) puis Blackwell (B200) offrent des gains d'efficacité énergétique substantiels par opération de calcul par rapport à la génération précédente, ce qui compense en partie la croissance des modèles.

La contribution la plus structurante sur ce terrain reste sans doute celle de David Patterson et de ses collègues chez Google, dans leur article de 2021 Carbon Emissions and Large Neural Network Training. Leur conclusion, souvent citée, mérite d'être rappelée avec précision : quatre bonnes pratiques — modèles à activation parcimonieuse, choix géographique du datacenter, matériel spécialisé et logiciels optimisés — peuvent réduire l'énergie d'entraînement d'un facteur allant jusqu'à 100, et les émissions de CO₂ d'un facteur allant jusqu'à 1000, pour un même résultat.

L'empreinte d'un entraînement n'est pas une fatalité physique : c'est un paramètre d'optimisation. Le même modèle, entraîné avec les bonnes pratiques et au bon endroit, peut émettre cent fois moins de carbone.

Cette phrase change tout. Elle déplace la question de « faut-il entraîner de grands modèles ? » vers « comment les entraîner intelligemment ? ». Et c'est précisément l'esprit du Green AI : traiter l'énergie comme une dimension d'ingénierie à optimiser, au même titre que la latence ou la précision.

Le poids croissant de l'inférence

Un modèle s'entraîne une fois, parfois quelques fois avec des itérations. Mais une fois déployé, il sert des millions, voire des milliards de requêtes. C'est pourquoi, sur la durée de vie complète d'un système d'IA très sollicité, l'inférence finit par représenter une part majoritaire de la consommation — les grands opérateurs évoquent régulièrement des proportions de l'ordre de 80 à 90 % pour les services à fort trafic. Le poste où l'optimisation a le plus d'impact réel n'est donc pas toujours l'entraînement, contrairement à l'intuition : c'est souvent l'inférence.

La conséquence pratique est limpide. Réduire de moitié le coût énergétique d'un token généré, sur un service qui traite des centaines de millions de requêtes par jour, produit un gain bien supérieur à l'optimisation d'un entraînement ponctuel. C'est pourquoi les techniques d'optimisation de l'inférence — quantization, compilation, batching, caching — occupent désormais le cœur de la stratégie Green AI. L'entraînement reste un chantier important, mais l'inférence est le champ de bataille du quotidien.

Anatomie énergétique d'un modèle

Pour optimiser l'empreinte d'un modèle, il faut d'abord comprendre où l'énergie est consommée. Décomposons le cycle de vie énergétique d'un grand modèle de langage, de l'entraînement initial jusqu'à chaque requête en production.

À l'entraînement : calcul, refroidissement, réseau

L'entraînement d'un grand modèle mobilise des milliers d'accélérateurs pendant des semaines, parfois des mois. Le coût énergétique se décompose en trois couches distinctes, et chacune offre des leviers spécifiques.

La première couche, le calcul pur, correspond à la consommation directe des GPU ou TPU. Un GPU NVIDIA H100 (variante SXM, la plus courante en cluster d'entraînement) consomme environ 700 watts en charge maximale, selon la fiche technique du constructeur. Un cluster de dix mille de ces cartes réclame donc de l'ordre de 7 mégawatts rien que pour le calcul, l'équivalent de l'alimentation d'une petite ville. Les cartes de génération Blackwell montent en puissance unitaire, mais avec une efficacité par opération sensiblement supérieure : le bilan net, ramené au travail utile, reste favorable.

La deuxième couche concerne le refroidissement. Chaque watt consommé par un accélérateur se transforme en chaleur qu'il faut évacuer. Selon l'efficacité du datacenter — mesurée par le PUE, sur lequel nous reviendrons — ce poste ajoute de 10 à 50 % de consommation supplémentaire. Sur un entraînement qui dure plusieurs semaines, l'écart entre un bon et un mauvais datacenter se chiffre en gigawattheures.

La troisième couche englobe l'infrastructure réseau et stockage nécessaire pour alimenter les accélérateurs en données. L'entraînement distribué sur des milliers de cartes génère des téraoctets de communication entre nœuds — synchronisation des gradients, opérations collectives. Les interconnexions à très haut débit qui relient les GPU consomment elles-mêmes plusieurs centaines de kilowatts sur un cluster de grande taille. C'est un poste souvent négligé dans les estimations grand public, mais bien réel pour les ingénieurs d'infrastructure.

À l'inférence : le coût par token

En inférence, le modèle traite les requêtes une par une, ou par lots. Chaque token généré nécessite un passage — complet dans un modèle dense, partiel dans une architecture de type Mixture of Experts — à travers le réseau de neurones. Pour un modèle dense de plusieurs dizaines de milliards de paramètres, générer un seul token représente des dizaines de milliards d'opérations en virgule flottante. À raison de centaines de tokens par réponse et de millions de requêtes par jour, la facture s'accumule vite.

C'est la raison pour laquelle l'inférence est devenue le terrain d'action privilégié du Green AI. Chaque optimisation qui réduit le coût d'un token se multiplie par le volume colossal des requêtes servies. Un gain de 30 % qui semblerait modeste sur un entraînement unique devient énorme lorsqu'il s'applique, requête après requête, à un service utilisé par des millions de personnes.

La loi des rendements décroissants

Un dernier élément d'anatomie est structurant : la relation entre taille du modèle et performance n'est pas linéaire. Les travaux sur les lois d'échelle ont montré que la performance suit une loi de puissance en fonction du nombre de paramètres et du volume de données. Concrètement, doubler la taille d'un modèle n'améliore que marginalement ses résultats sur la plupart des tâches. Il existe donc, pour chaque cas d'usage, un point au-delà duquel augmenter la taille ne justifie plus le coût énergétique supplémentaire.

La tendance récente confirme ce virage. Les modèles les plus marquants ne sont plus systématiquement les plus gros, mais ceux qui atteignent le meilleur rapport performance/paramètre. Phi-3 Mini de Microsoft, avec ses 3,8 milliards de paramètres, en est l'illustration : entraîné sur des données soigneusement filtrées et synthétiques, il rivalise sur plusieurs benchmarks avec des modèles bien plus volumineux, tout en tenant sur un téléphone. Cette course à l'efficacité est une excellente nouvelle pour l'empreinte globale de l'IA.

Quantization : alléger un modèle sans le dénaturer

La quantization est probablement la technique d'optimisation la plus accessible et la plus immédiatement efficace pour réduire l'empreinte d'un modèle en production. Le principe est simple : réduire la précision numérique des poids du modèle, en passant de 32 ou 16 bits vers 8 bits, voire 4 bits. Moins de bits par paramètre, c'est moins de mémoire, des calculs plus rapides et une consommation énergétique réduite.

Les grandes familles de techniques

Plusieurs approches coexistent, avec des compromis différents entre qualité, vitesse et facilité de mise en œuvre.

• La quantization post-entraînement (PTQ) s'applique une fois le modèle entraîné, sans réentraînement. C'est l'approche la plus simple. En 8 bits, la perte de qualité sur les benchmarks standards reste généralement sous le pourcent. En 4 bits, elle augmente mais demeure acceptable pour de nombreux cas d'usage.
• GPTQ (Frantar et al., 2022) est une méthode post-entraînement optimisée pour les grands modèles de langage. Elle procède couche par couche avec une compensation des erreurs, ce qui permet d'atteindre 4 bits avec une dégradation minime. GPTQ est devenu un standard de fait pour distribuer des modèles quantizés sur Hugging Face.
• AWQ (Activation-aware Weight Quantization), développé au MIT et primé Best Paper à MLSys 2024, part d'une observation fine : tous les poids ne se valent pas. La méthode identifie environ 1 % de poids « saillants » — ceux qui traitent les activations de plus grande amplitude — et les protège, tout en quantizant agressivement le reste. Résultat, des modèles en 4 bits dont la qualité approche celle du 8 bits, avec la vitesse du 4 bits.
• La quantization consciente de l'entraînement (QAT) intègre la quantization directement dans la boucle d'apprentissage : le modèle « apprend » à fonctionner avec des poids de faible précision. C'est l'approche qui donne la meilleure qualité, au prix d'un réentraînement.

Un mot pour situer AWQ par rapport à GPTQ, car la question revient souvent. Dans les benchmarks publiés sur les familles Llama, AWQ égale ou dépasse légèrement GPTQ en qualité à précision équivalente, avec une calibration plus rapide. Les deux méthodes sont excellentes ; le choix dépend surtout de l'outillage disponible et du modèle visé.

Des gains concrets et mesurés

Les gains de la quantization sont substantiels et bien documentés. En passant de 16 bits à 8 bits, la mémoire requise est divisée par deux et la vitesse d'inférence augmente nettement sur matériel compatible, pour une perte de qualité qui reste généralement sous le pourcent. En passant à 4 bits avec GPTQ ou AWQ, la mémoire est divisée par quatre et la vitesse peut doubler ou tripler, avec une perte de qualité de l'ordre de un à trois pour cent selon le modèle et la méthode.

La traduction énergétique est directe : une accélération d'un facteur deux de l'inférence divise mécaniquement par deux la consommation électrique par requête. Sur un service traitant des centaines de millions de requêtes quotidiennes, c'est un gain de très grande ampleur, obtenu pour un effort d'implémentation modeste. C'est cette combinaison — impact fort, effort faible — qui fait de la quantization le point de départ recommandé de toute démarche Green AI.

Déployer un modèle quantizé, en pratique

L'écosystème d'inférence s'est considérablement structuré, ce qui rend le déploiement remarquablement accessible. Avec vLLM, serveur d'inférence open source né à Berkeley, quelques lignes de configuration suffisent pour servir un modèle quantizé. Son innovation centrale, le PagedAttention, gère la mémoire GPU comme un système de pagination et élimine le gaspillage qui pénalisait les serveurs précédents. vLLM prend en charge le batching continu et les modèles GPTQ et AWQ de Hugging Face nativement.

Pour les GPU NVIDIA récents, TensorRT-LLM pousse l'optimisation plus loin en compilant le modèle pour l'architecture cible, avec un support natif de la précision 8 bits flottante sur Hopper et Blackwell. Enfin, pour les équipes qui déploient sur du matériel hétérogène — GPU, CPU, NPU — ONNX Runtime de Microsoft offre une couche d'abstraction avec des optimisations adaptées à chaque cible, ce qui en fait un choix privilégié pour les déploiements embarqués et en périphérie de réseau.

Distillation : des modèles compacts qui rivalisent avec les grands

Si la quantization réduit la précision numérique des poids, la distillation s'attaque au nombre de paramètres lui-même. Le principe : un petit modèle, l'élève, apprend à reproduire le comportement d'un grand modèle, le professeur, en s'entraînant non pas sur les données brutes mais sur les sorties du professeur. Le résultat est un modèle beaucoup plus compact qui capture l'essentiel du savoir-faire de l'original.

Le principe professeur-élève

La distillation de connaissances, formalisée par Hinton, Vinyals et Dean en 2015, repose sur une observation élégante : les sorties d'un grand modèle contiennent plus d'information que les étiquettes brutes des données d'entraînement. Quand un modèle attribue une probabilité de 0,7 à la bonne réponse et de 0,2 à une réponse proche, cette distribution « douce » révèle des relations sémantiques que des étiquettes binaires ne capturent pas.

L'élève s'entraîne à reproduire ces distributions douces plutôt que les étiquettes dures. Ce faisant, il apprend non seulement les bonnes réponses, mais aussi les nuances et les relations entre concepts que le professeur a découvertes. Le transfert de connaissance est remarquablement efficace : un modèle bien plus petit peut atteindre l'essentiel de la performance de son professeur sur de nombreuses tâches, pour une fraction du coût d'exécution.

La vague des petits modèles performants

La tendance aux modèles compacts et capables est l'une des dynamiques les plus positives de l'écosystème récent. Phi-3 Mini de Microsoft a montré qu'un modèle de moins de quatre milliards de paramètres, entraîné sur des données de très haute qualité, pouvait tenir la comparaison avec des modèles plusieurs fois plus grands — la leçon étant que la qualité des données prime souvent sur la quantité de paramètres. La famille Gemma de Google DeepMind, dont certaines variantes tournent sur un smartphone, prolonge cette logique. Et Mistral 7B, avec ses successeurs, a popularisé le concept de modèles « juste assez grands » : performants pour la majorité des cas d'usage en entreprise, déployables sur du matériel accessible, et économiques à servir.

La bonne question n'est plus « quel est le plus grand modèle disponible ? » mais « quel est le plus petit modèle qui répond à mon besoin avec la qualité requise ? ». Ce renversement de perspective est au cœur du Green AI appliqué.

Un retour énergétique spectaculaire

Le bénéfice énergétique de la distillation est considérable. Servir un modèle de quelques milliards de paramètres consomme un ordre de grandeur d'énergie en moins par requête qu'un modèle de plusieurs dizaines de milliards. Même en comptant le coût d'entraînement du modèle distillé — qui utilise les sorties du grand modèle — le bilan devient favorable après quelques heures d'inférence en production, dès lors que le service est un tant soit peu sollicité.

Prenons un cas concret et raisonnable. Une entreprise déploie un assistant interne traitant un demi-million de requêtes par jour. Avec un grand modèle dense servi sur plusieurs GPU haut de gamme, la consommation se compte en dizaines de milliers de kilowattheures par an. En basculant vers un modèle distillé de taille modeste, quantizé en 4 bits et tenant sur une seule carte, le même service peut voir sa consommation réduite de l'ordre de 80 à 90 %. Si la qualité des réponses reste adaptée au besoin — et pour beaucoup de tâches de questions-réponses en entreprise, elle l'est — le choix devient évident, économiquement comme écologiquement. C'est la démarche de « right-sizing » : choisir pour chaque projet le modèle adapté à son besoin réel, pas le plus gros disponible.

Modèles creux et Mixture of Experts : l'efficacité par l'architecture

Au-delà de la compression post-entraînement et du transfert de connaissances, une troisième famille de techniques optimise l'efficacité directement au niveau de l'architecture. Les modèles creux et les architectures Mixture of Experts partagent un principe commun : ne pas activer l'intégralité du réseau pour chaque requête.

Attention creuse et élagage

L'attention standard d'un transformer calcule les interactions entre tous les tokens d'une séquence — une opération quadratique qui devient très coûteuse pour les longs contextes. Les mécanismes d'attention creuse ne calculent qu'un sous-ensemble de ces interactions, celles jugées les plus pertinentes. Plusieurs variantes existent : attention locale, par blocs, ou apprise. Dans un registre voisin, Flash Attention, développé par Tri Dao à Stanford, n'est pas à proprement parler creux, mais optimise drastiquement l'usage mémoire et la vitesse du calcul d'attention, avec des gains d'un facteur deux à quatre selon les configurations.

L'élagage (pruning) est une autre forme de parcimonie : après entraînement, on identifie et supprime les connexions les moins importantes. Un modèle élagué de moitié conserve généralement l'essentiel de ses performances, tout en réduisant sensiblement les calculs nécessaires à l'inférence.

Le paradigme Mixture of Experts

L'architecture Mixture of Experts (MoE) pousse la logique de parcimonie à son terme. Au lieu d'un seul réseau dense dans chaque couche, un modèle MoE contient plusieurs « experts » spécialisés et un mécanisme de routage qui sélectionne dynamiquement, pour chaque token, les quelques experts les plus pertinents.

Mixtral 8x7B de Mistral AI est l'exemple emblématique. Le modèle totalise 46,7 milliards de paramètres, mais son routeur n'active que deux experts par token, soit environ 12,9 milliards de paramètres effectivement mobilisés. Selon le rapport technique de Mistral, ce modèle égale ou dépasse Llama 2 70B sur la plupart des benchmarks tout en utilisant environ cinq fois moins de paramètres actifs, avec une inférence de l'ordre de six fois plus rapide. La capacité d'un grand modèle, pour le coût de calcul d'un modèle moyen : voilà l'équation qui a retenu l'attention des équipes techniques.

Cette architecture n'est pas nouvelle — le Switch Transformer de Google avait démontré dès 2021 qu'elle pouvait passer à l'échelle du millier de milliards de paramètres — mais elle a atteint sa maturité industrielle ces dernières années, adoptée par de nombreux laboratoires. Son principal compromis mérite d'être connu : un modèle MoE réclame plus de mémoire totale qu'un modèle dense équivalent en performance, puisque tous les experts doivent résider en mémoire même si seuls quelques-uns sont actifs par token. La quantization atténue efficacement cette contrainte.

Synthèse des techniques d'optimisation

Le tableau ci-dessous résume les gains et les compromis des principales familles d'optimisation. Les valeurs sont des ordres de grandeur agrégés à partir de la littérature et des benchmarks publics ; elles varient selon les modèles, le matériel et les jeux de test.

Technique	Réduction mémoire	Gain de vitesse	Perte de qualité typique	Complexité
Quantization 8 bits (PTQ)	≈ 2×	1,5 à 1,8×	< 1 %	Faible
Quantization 4 bits (GPTQ)	≈ 4×	2 à 3×	1 à 2 %	Faible
Quantization 4 bits (AWQ)	≈ 4×	2 à 3×	0,5 à 1,5 %	Faible
Distillation	5 à 20×	5 à 20×	3 à 10 %	Moyenne (réentraînement)
Élagage (≈ 50 %)	1,5 à 2×	1,3 à 2×	1 à 3 %	Moyenne
Mixture of Experts	< 1× (plus de mémoire)	4 à 6×	≈ 0 %	Élevée (infrastructure)

Datacenters et PUE : les progrès concrets de l'infrastructure

L'optimisation logicielle ne représente qu'une moitié de l'équation. L'autre moitié concerne l'infrastructure physique — les datacenters où tournent les modèles. Les progrès réalisés sur ce front sont réels et souvent sous-estimés.

Comprendre et comparer le PUE

Le PUE (Power Usage Effectiveness) est le rapport entre l'énergie totale consommée par un datacenter et l'énergie effectivement utilisée pour le calcul. Un PUE de 1,0 serait un rendement parfait ; un PUE de 2,0 signifie que la moitié de l'énergie part dans le refroidissement, l'éclairage et les systèmes annexes. Selon l'enquête annuelle de l'Uptime Institute, la moyenne mondiale se situe autour de 1,56 en 2024, un chiffre resté remarquablement stable ces cinq dernières années pour l'ensemble du secteur.

Les grands opérateurs, eux, ont creusé l'écart. Google revendique un PUE moyen de flotte de 1,09 pour 2024, Amazon Web Services autour de 1,15 et Microsoft autour de 1,16. Cette performance de pointe est d'autant plus notable que les charges IA sont plus intensives en chaleur que les charges cloud traditionnelles. Le contraste entre la moyenne du secteur et les meilleurs opérateurs révèle un gisement d'efficacité considérable : l'essentiel du progrès reste à diffuser vers les datacenters les plus courants.

Opérateur	PUE moyen 2024	Leviers principaux
Google	≈ 1,09	IA pour la gestion thermique, refroidissement optimisé, achats d'énergie sans carbone
Microsoft	≈ 1,16	Refroidissement par immersion, engagements de neutralité carbone
Amazon Web Services	≈ 1,15	Conception modulaire, free cooling, contrats d'achat d'énergie renouvelable
Moyenne mondiale du secteur	≈ 1,56	Hétérogène ; marge de progrès importante

Refroidissement liquide et free cooling

Les charges IA génèrent davantage de chaleur que les charges cloud classiques : un rack dense de GPU dissipe bien plus qu'un rack serveur traditionnel. Cette densité thermique accrue a accéléré l'adoption de technologies de refroidissement avancées.

Le refroidissement liquide direct achemine un fluide caloporteur au contact des composants chauds. Comparé au refroidissement par air, il réduit sensiblement la consommation dédiée au refroidissement, et devient la norme pour les nouvelles installations dédiées à l'IA. Le refroidissement par immersion, où les serveurs plongent dans un bain de fluide diélectrique, va plus loin encore, avec des gains de PUE mesurables. Enfin, le free cooling exploite les conditions climatiques naturelles pour refroidir sans compression mécanique : les datacenters des pays nordiques en bénéficient une grande partie de l'année, ce qui explique l'attrait de ces localisations pour les clusters d'entraînement.

Une tendance particulièrement vertueuse combine ces approches avec la réutilisation de la chaleur fatale. Plusieurs datacenters européens connectent leur système de refroidissement à des réseaux de chaleur urbains, transformant un sous-produit — la chaleur des serveurs — en ressource pour chauffer des bâtiments. Cette logique d'économie circulaire améliore le bilan global bien au-delà de ce que le seul PUE peut mesurer.

Énergies renouvelables : engagements et nuances

Les principaux opérateurs se sont engagés à alimenter leurs datacenters en énergie renouvelable. La réalité mérite une lecture nuancée : la plupart atteignent cet objectif en volume annuel — ils achètent autant d'énergie renouvelable qu'ils consomment sur l'année — mais pas nécessairement à chaque instant. L'électricité consommée une nuit d'hiver ne provient pas forcément d'une source renouvelable au moment précis où elle est tirée du réseau.

Google a formalisé cette exigence plus fine sous le nom d'énergie sans carbone 24/7 : viser, chaque heure et dans chaque datacenter, une électricité issue de sources bas carbone. C'est un objectif ambitieux qui tire tout le secteur vers le haut, car il suppose des investissements dans le stockage, des contrats d'achat granulaires et de la flexibilité de charge. Les rapports de durabilité rappellent aussi une réalité honnête : la consommation absolue d'énergie des grands opérateurs a fortement augmenté ces dernières années, portée par l'IA générative. Malgré les gains d'efficacité par unité, la croissance de la demande les dépasse — ce qui confirme que l'optimisation par modèle et l'optimisation par infrastructure doivent avancer de concert.

La boîte à outils du Green AI engineer

Les techniques ne valent que si elles sont accessibles aux équipes. Bonne nouvelle : l'écosystème d'outils s'est considérablement enrichi, avec des solutions open source matures couvrant la mesure, l'optimisation et le suivi.

Mesurer : CodeCarbon et ses cousins

La première étape de toute démarche Green AI est la mesure. Comme le dit l'adage d'ingénierie : on n'optimise pas ce que l'on ne mesure pas. CodeCarbon, développé dès 2020 par une équipe réunissant Mila (Montréal), BCG GAMMA, Haverford College et Comet, est l'outil de référence. Il s'intègre en quelques lignes dans n'importe quel script Python, mesure en temps réel la consommation des processeurs et accélérateurs, la convertit en CO₂ selon le mix énergétique local, et génère des rapports. Il fonctionne sur les principales plateformes et se glisse naturellement dans les pipelines d'entraînement.

D'autres approches complètent l'écosystème, avec des granularités et des philosophies différentes — certaines privilégient l'estimation en amont pour comparer des configurations avant de lancer un entraînement coûteux, d'autres la mesure fine au fil de l'exécution. L'intégration de ces outils dans les pipelines d'intégration continue est une pratique en plein essor : de même que l'on fait échouer une compilation si les tests unitaires échouent, on peut désormais définir un seuil d'émissions par entraînement et déclencher une alerte s'il est dépassé. Cette normalisation de la mesure carbone dans les outils du quotidien est un levier puissant, car elle change les comportements sans friction.

Optimiser l'inférence : le trio de tête

Côté inférence, trois frameworks dominent le paysage. vLLM a transformé l'inférence open source grâce au PagedAttention et au batching continu, atteignant en production des débits nettement supérieurs à l'inférence naïve. TensorRT-LLM de NVIDIA offre les meilleures performances brutes sur GPU récents en compilant le modèle pour l'architecture cible. Et ONNX Runtime de Microsoft reste la référence multi-plateforme, avec un support de la quantization sur CPU, GPU et NPU qui en fait le choix privilégié des déploiements en périphérie.

Des pratiques de développement sobres

Au-delà des outils, un ensemble de pratiques d'ingénierie contribue directement à la sobriété des entraînements.

• L'arrêt précoce (early stopping) interrompt l'entraînement dès que la performance sur un jeu de validation cesse de progresser — une règle simple qui évite des heures, parfois des jours de calcul inutile. Les frameworks modernes l'intègrent nativement.
• L'apprentissage par curriculum présente les données dans un ordre progressif, du simple au complexe. Inspirée de la pédagogie humaine, cette approche accélère souvent la convergence, réduisant d'autant le temps d'entraînement.
• Le transfer learning et l'ajustement fin partent d'un modèle pré-entraîné pour l'adapter à une tâche précise. Ajuster un modèle avec une technique comme LoRA (Low-Rank Adaptation) ne demande que quelques heures sur une seule carte, contre des semaines sur des milliers de cartes pour un entraînement à partir de zéro — un gain énergétique de plusieurs ordres de grandeur.

Combinées à la quantization et à la distillation, ces pratiques forment un pipeline d'optimisation complet, capable de réduire l'empreinte d'un projet d'un facteur important par rapport à une approche naïve du type « plus de paramètres, plus de données, plus de calcul ».

Benchmarks et standards : mesurer pour comparer

Les techniques d'optimisation gagnent en valeur lorsqu'elles s'appuient sur des métriques standardisées. Le Green AI a besoin de repères reconnus, tout comme la performance brute a ses classements. Cette standardisation est en cours, portée par plusieurs initiatives structurantes.

MLPerf Power : l'efficacité en watts

MLCommons, l'organisme qui gère les benchmarks MLPerf, a développé MLPerf Power pour mesurer l'efficacité énergétique des systèmes d'IA de façon standardisée. Présenté au symposium IEEE HPCA en 2025, ce cadre mesure la consommation électrique réelle du système complet pendant le benchmark — « du microwatt au mégawatt », des objets connectés aux datacenters. Le résultat s'exprime en performance par watt, ce qui permet de comparer objectivement des configurations matérielles et logicielles différentes.

Les enseignements sont éclairants. À partir de près de deux mille mesures reproductibles collectées sur une soixantaine de systèmes, l'équipe MLPerf Power a observé que certaines charges de travail récentes voyaient leur efficacité énergétique s'améliorer d'un facteur très important en l'espace d'un an seulement, portées par l'intérêt commercial intense et des optimisations à fort impact. La quantization y joue un rôle central : elle a notablement réduit l'écart d'efficacité entre les configurations de haute et de très haute précision. Ces benchmarks, publics et reproductibles, offrent aux équipes une base objective pour choisir leurs configurations.

Vers des labels d'efficacité énergétique

Le concept de Green AI évolue progressivement d'une démarche volontaire vers un cadre structuré de mesure comparable. L'initiative la plus aboutie à ce jour est l'AI Energy Score, lancée début 2025 par Hugging Face, Salesforce, Cohere et l'université Carnegie Mellon. Elle propose un système de notation par étoiles — de une à cinq — qui évalue la consommation énergétique des modèles sur une série de tâches communes, avec un classement public réunissant déjà plus d'une centaine de modèles. Tous les tests sont conduits sur un matériel de référence identique, pour garantir des comparaisons rigoureuses.

Un enseignement marquant de cette initiative concerne les modèles de raisonnement : selon les analyses publiées, ils consomment en moyenne bien davantage d'énergie que les modèles sans capacité de raisonnement, du fait des longues chaînes de réflexion qu'ils déroulent. Ce constat n'est pas un motif d'inquiétude, mais un signal utile : il invite à réserver ces modèles coûteux aux tâches qui le justifient réellement, et à privilégier des modèles plus légers ailleurs.

La démarche fondatrice remonte d'ailleurs à l'article de Schwartz et de ses collègues, Green AI, publié en 2020 dans les Communications of the ACM. Les auteurs y proposaient déjà que les publications scientifiques rapportent systématiquement le coût computationnel de leurs expériences, aux côtés de la précision. Cette pratique se généralise dans les grandes conférences, normalisant peu à peu la prise en compte de l'empreinte comme critère de qualité de la recherche. La convergence vers des labels et des standards partagés se dessine, portée par la demande des entreprises et par un cadre réglementaire qui intègre de plus en plus la dimension environnementale.

Ce que l'on nomme sobriété n'est, au fond, qu'une forme d'excellence technique : obtenir le même résultat avec moins de ressources est le propre d'une bonne ingénierie.

Quand l'IA sert la transition écologique

L'empreinte de l'IA n'est qu'un côté de la médaille. L'autre, tout aussi documenté, concerne la capacité de l'IA à accélérer la transition écologique dans des domaines où les approches traditionnelles atteignent leurs limites. Plusieurs applications illustrent ce potentiel de manière frappante.

Réseaux électriques et prévision météorologique

L'intégration des énergies renouvelables intermittentes dans les réseaux électriques est l'un des problèmes d'optimisation les plus complexes du secteur énergétique. La production solaire varie avec la météo, l'éolien avec le vent ; équilibrer offre et demande en temps réel dépasse les capacités des systèmes fondés sur des règles statiques. L'IA excelle précisément dans ce type de tâche : elle prévoit la production renouvelable à plusieurs heures d'avance avec une bonne précision, et répartit la charge en minimisant simultanément le coût et les émissions.

La prévision météorologique offre l'illustration la plus spectaculaire. GraphCast, développé par Google DeepMind et publié dans Science, produit des prévisions à dix jours en moins d'une minute sur du matériel spécialisé, là où les modèles numériques traditionnels réclament des heures sur des supercalculateurs. Et sa précision n'a rien à envier aux méthodes classiques : dans l'évaluation de référence, GraphCast s'est révélé plus précis sur plus de 90 % des variables et échéances testées face au système de pointe du Centre européen. Pour un secteur qui consomme quotidiennement d'énormes ressources de calcul, ce gain d'efficacité par prévision représente une contribution directe à la sobriété computationnelle globale.

Agriculture, matériaux et capture du carbone

D'autres domaines profitent de la même dynamique. L'agriculture de précision, pilotée par vision par ordinateur, optimise l'usage de l'eau, des engrais et des traitements en fonction des conditions réelles de chaque parcelle, avec des réductions documentées de consommation d'intrants. La découverte de matériaux verts s'accélère : Google DeepMind a utilisé son système GNoME pour prédire la stabilité de plusieurs millions de nouveaux matériaux candidats, un travail qui aurait pris des temps considérables par les méthodes expérimentales seules. Certains de ces candidats intéressent directement les batteries et les cellules solaires de nouvelle génération.

La capture du carbone bénéficie aussi de l'IA, pour optimiser les procédés de capture directe dans l'air et modéliser le comportement du CO₂ dans les réservoirs géologiques. Le point commun de toutes ces applications est le même : l'IA n'y est pas un gadget, mais un accélérateur de solutions face à des problèmes d'optimisation trop complexes pour les approches classiques. La puissance de calcul investie dans ces modèles génère souvent un retour carbone positif de plusieurs ordres de grandeur — un modèle de prévision qui consomme quelques kilowattheures peut contribuer à éviter bien davantage d'émissions ailleurs.

Feuille de route : dix actions concrètes

Après ce panorama, une question demeure pour les équipes : par où commencer ? Voici une feuille de route en dix actions, de la plus immédiate à la plus structurante.

• Mesurer d'abord. Intégrer CodeCarbon dans vos pipelines d'entraînement et d'inférence. C'est une ligne de code ; sans mesure, aucune optimisation n'est démontrable.
• Quantizer vos modèles en production. Passer un modèle de 16 bits à 8 bits avec GPTQ ou AWQ offre un gain immédiat pour un effort minime : c'est le meilleur rapport effort/impact du Green AI.
• Choisir le plus petit modèle adapté. Avant de déployer un très grand modèle, tester une variante compacte sur vos données réelles ; les petits modèles récents couvrent une large part des besoins en entreprise.
• Utiliser un framework d'inférence optimisé. Remplacer l'inférence naïve par vLLM ou TensorRT-LLM se traduit directement en réduction de consommation par requête.
• Activer un cache de réponses. Beaucoup de requêtes en production sont similaires ; un cache sémantique peut réduire notablement le volume traité par le modèle.
• Adopter une architecture parcimonieuse pour vos modèles maison. Si vous entraînez vos propres modèles, les architectures MoE offrent un excellent rapport performance/coût d'inférence.
• Choisir la région cloud selon le mix énergétique. Un même entraînement émet bien moins de CO₂ dans une région à électricité bas carbone. Les fournisseurs exposent désormais l'intensité carbone par région — utilisez cette donnée.
• Instaurer un budget carbone par projet. Comme un budget financier, il fixe une enveloppe d'émissions et oriente les choix d'architecture et d'infrastructure. C'est un levier de gouvernance puissant.
• Planifier les entraînements selon l'intensité du réseau. L'intensité carbone de l'électricité varie au fil de la journée ; des outils temps réel permettent de programmer les gros entraînements pendant les périodes bas carbone.
• Documenter et partager vos résultats. Publier vos métriques et contribuer aux benchmarks ouverts. La transparence est le meilleur levier pour généraliser les bonnes pratiques.

Ces actions ne forment pas une liste exhaustive, mais un socle solide. Combinées, elles peuvent réduire l'empreinte d'un projet d'un facteur important par rapport à une approche non optimisée — et, presque toujours, réduire aussi la facture financière, ce qui aligne heureusement l'intérêt économique et l'intérêt environnemental.

Vers une IA performante et sobre

Le Green AI n'est plus un concept académique ou un vœu pieux. C'est un champ d'ingénierie structuré, outillé et en pleine accélération. La quantization divise la consommation d'inférence par deux à quatre. La distillation produit des modèles bien plus compacts sans sacrifice majeur de qualité. Les architectures Mixture of Experts offrent la capacité des grands modèles pour le coût des modèles moyens. Les meilleurs datacenters approchent les limites théoriques d'efficacité. Et l'écosystème d'outils — CodeCarbon, vLLM, TensorRT-LLM, ONNX Runtime — rend ces optimisations accessibles à toute équipe.

Le tableau est d'autant plus encourageant que l'IA contribue elle-même activement à la transition écologique. Les applications pour les réseaux électriques, la prévision météorologique, l'agriculture de précision et la découverte de matériaux ont un potentiel de réduction d'émissions qui, dans de nombreux cas, dépasse largement l'empreinte directe de la technologie mobilisée. La trajectoire est donc celle d'un outil qui consomme de l'énergie pour en économiser davantage — un bilan positif qui n'est toutefois pas automatique.

Ce bilan suppose que l'écosystème continue d'investir dans l'efficacité, et que les gains ne soient pas entièrement absorbés par l'augmentation des usages. C'est le fameux effet rebond : plus une technologie devient efficace, plus on l'utilise, ce qui peut annuler une partie des économies. La vigilance reste donc de mise, et les métriques du Green AI — MLPerf Power, AI Energy Score, CodeCarbon — sont précisément les instruments de cette vigilance. Elles transforment une intention en mesure, et une mesure en décision.

Pour les équipes techniques, le message tient en une phrase : optimiser l'empreinte de vos systèmes d'IA n'est pas un compromis avec la performance, c'est une dimension supplémentaire de l'excellence. Mesurer, quantizer, servir avec le bon framework, choisir le bon modèle pour le bon usage — ces réflexes deviennent aussi naturels que les tests unitaires ou le suivi de la latence. Les cinq prochaines années seront déterminantes : si chaque modèle et chaque datacenter continuent d'améliorer leur efficacité au rythme actuel, la croissance de la demande pourra être absorbée sans dérapage de l'empreinte. C'est tout l'objet de cette chronique : donner à chaque ingénieur les clés pour lire ces chiffres et agir dessus, en acteur informé plutôt qu'en spectateur.

Sources

Cet article s'appuie sur des sources publiques et vérifiables :

• Agence internationale de l'énergie (IEA), rapport « Energy and AI » (2025) — consommation des datacenters et projections — iea.org.
• E. Strubell, A. Ganesh, A. McCallum, « Energy and Policy Considerations for Deep Learning in NLP » (ACL 2019) — aclanthology.org.
• D. Patterson et al., « Carbon Emissions and Large Neural Network Training » (2021) — facteurs de réduction 100× / 1000× — arXiv 2104.10350.
• R. Schwartz, J. Dodge, N. A. Smith, O. Etzioni, « Green AI » (Communications of the ACM, 2020) — cacm.acm.org.
• J. Lin et al., « AWQ: Activation-aware Weight Quantization » (MLSys 2024, Best Paper) — arXiv 2306.00978.
• Mistral AI, « Mixtral of Experts » (rapport technique) — arXiv 2401.04088.
• Microsoft, « Phi-3 Technical Report » (2024) — arXiv 2404.14219.
• Uptime Institute, « Global Data Center Survey 2024 » — PUE moyen du secteur — uptimeinstitute.com.
• Google, « Efficiency — Power Usage Effectiveness » (données de flotte 2024-2025) — PUE moyen de 1,09 — datacenters.google/efficiency.
• MLCommons, « MLPerf Power » (IEEE HPCA 2025) — benchmark d'efficacité énergétique — mlcommons.org.
• Hugging Face / Salesforce, « AI Energy Score » (2025) — notation d'efficacité des modèles — huggingface.co.
• CodeCarbon (Mila, BCG GAMMA, Haverford, Comet) — outil open source de mesure carbone — github.com/mlco2/codecarbon.
• Google DeepMind, « GraphCast » (Science, 2023) — prévision météorologique par IA — deepmind.google.