Mesurer l'empreinte environnementale de l'IA : des outils émergent, faute de norme commune

Trois ans après le lancement de ChatGPT, la question reste entière : combien coûte réellement l'intelligence artificielle générative à l'environnement ? En l'absence d'obligation légale de transparence, les grands fournisseurs de modèles ne communiquent que les chiffres qui les arrangent, quand ils en communiquent. Résultat : il n'existe aujourd'hui aucune mesure directe et vérifiable de la consommation énergétique et des émissions de CO2 liées à l'usage de ces systèmes, seulement des estimations construites à partir de données partielles et de modèles théoriques.

EcoLogits, la méthode née d'un collectif bénévole

Face à ce vide, l'association GenAI Impact, issue du collectif Data For Good, a développé EcoLogits, une bibliothèque Python open source qui s'intercale entre l'utilisateur et les API des modèles de langage. L'outil calcule une estimation de la consommation énergétique et des émissions de gaz à effet de serre à partir de paramètres observables — modèle sollicité, nombre de tokens générés, latence de la requête — et couvre les principaux fournisseurs commerciaux, dont OpenAI, Anthropic et Mistral AI. Le projet, mené par une vingtaine de bénévoles sur trois mois selon Data For Good, combine un volet méthodologique, calibré sur des modèles open source aux caractéristiques connues, et un volet technique d'intégration aux différents fournisseurs. Limite assumée par ses propres concepteurs : EcoLogits ne modélise pour l'instant que la génération de texte, alors que la génération d'images et de vidéos consomme nettement plus de ressources par requête.

Compar.IA, la vitrine grand public de la méthode

Cette méthodologie a trouvé une application concrète dans le service public : lancé en octobre 2024 par le ministère de la Culture et la Direction interministérielle du numérique (DINUM), le comparateur Compar.IA permet de confronter anonymement les réponses de deux IA conversationnelles parmi une vingtaine de modèles disponibles, dont GPT-4o, DeepSeek V3, Gemini ou les modèles français de Mistral. Chaque comparaison affiche un score environnemental calculé grâce à EcoLogits, avec un objectif pédagogique assumé : sensibiliser le grand public aux impacts écologiques d'une simple requête. Le service, porté par beta.gouv.fr, est en cours d'internationalisation, avec une extension pilote prévue en Lituanie, en Suède et au Danemark.

Une mesure encore approximative, mais pas inutile

Ces initiatives ne prétendent pas remplacer une mesure standardisée internationale, qui n'existe toujours pas. Aux États-Unis, Salesforce a coordonné avec des partenaires académiques et industriels le développement de l'AI Energy Score, qui vise à comparer l'efficacité énergétique des modèles sur des bancs d'essai standardisés plutôt qu'en conditions réelles d'usage — une approche complémentaire à celle d'EcoLogits, davantage tournée vers l'usage effectif. Les deux méthodes se heurtent au même obstacle : le manque de transparence des fournisseurs sur l'architecture exacte de leurs modèles et sur la consommation réelle de leurs centres de données, qui oblige à travailler par extrapolation.

En France, l'association Green IT tente de chiffrer la trajectoire plutôt que la seule photographie instantanée. Sa dernière étude, conduite selon une méthodologie d'analyse du cycle de vie (ACV) multicritère conforme aux référentiels internationaux, européens et français, projette une multiplication par sept des impacts environnementaux de l'IA générative d'ici 2030 si la croissance des usages se poursuit au rythme actuel sans mesure de sobriété.

Reste que l'absence de standard universel n'empêche pas d'agir dès maintenant, souligne Green IT : une entreprise peut d'ores et déjà vérifier si le déploiement d'un outil d'IA générative risque de compromettre ses propres objectifs de réduction d'émissions, fixer des plafonds environnementaux internes à ses systèmes d'IA, ou intégrer le niveau de frugalité énergétique d'une solution dans ses critères d'achat informatique. Autant de leviers qui ne nécessitent pas d'attendre une norme réglementaire encore hypothétique.