Pourquoi les chatbots IA font exploser les besoins en électricité

Une réponse de chatbot semble immatérielle : quelques lignes de texte s’affichent en quelques secondes sur un écran. Pourtant, cette apparente simplicité repose sur une infrastructure bien réelle, composée de puces de calcul, de serveurs, de réseaux et de systèmes de refroidissement. À mesure que les assistants conversationnels se généralisent, leur besoin en électricité devient une question centrale, à la fois pour le secteur technologique et pour les politiques énergétiques.

Le sujet ne se résume pas à une interrogation envoyée à un outil comme ChatGPT. Il recouvre deux dépenses d’énergie très différentes : d’abord la fabrication du modèle par apprentissage, puis son utilisation quotidienne pour répondre aux internautes. La première est massive et concentrée dans le temps. La seconde est plus discrète à l’échelle d’une seule question, mais elle se répète à très grande échelle.

Des centres de données au cœur de la demande électrique

Les chatbots ne fonctionnent pas sur les téléphones ou les ordinateurs des utilisateurs. Les calculs sont exécutés dans des centres de données, de vastes installations où sont regroupés des milliers de serveurs. Ces bâtiments ne consomment pas seulement de l’électricité pour les puces : il faut aussi alimenter le stockage, les équipements réseau et, surtout, les systèmes qui évitent la surchauffe des machines.

À l’échelle mondiale, les centres de données représentent environ 1,5 % de la consommation d’électricité. Il s’agit de l’ensemble de ces infrastructures, et non des seuls services d’IA. Mais l’essor de l’intelligence artificielle générative constitue un facteur majeur de croissance, car les modèles de langage nécessitent des puces particulièrement puissantes.

Aux États-Unis, les centres de données ont compté pour 4,4 % de l’utilisation d’électricité en 2023. Là encore, ce chiffre englobe tous les usages hébergés dans ces sites, du cloud aux services vidéo en passant par les applications d’entreprise. Il donne néanmoins la mesure du poids déjà atteint par ces infrastructures dans un grand marché numérique. Les projections évoquent un possible doublement de leur consommation d’ici à 2030.

Ces chiffres ne permettent pas de déduire la consommation d’une réponse précise. Ils montrent plutôt pourquoi le débat ne peut plus être limité au seul équipement de l’utilisateur. Pour fournir une conversation instantanée, les opérateurs doivent dimensionner des infrastructures capables de répondre à de nombreuses demandes simultanées, y compris lors des pics d’activité.

Pourquoi l’entraînement des modèles est-il si gourmand ?

Avant de dialoguer avec un utilisateur, un chatbot doit être entraîné. Cette phase consiste à exposer un modèle de langage à d’immenses volumes de textes afin qu’il apprenne à prédire la suite la plus probable d’une phrase. Le système compare ses réponses à des résultats attendus, corrige progressivement ses paramètres, puis recommence ce processus un très grand nombre de fois.

Cette opération, souvent appelée training dans le secteur, mobilise des grappes de serveurs équipés de processeurs graphiques, ou GPU. Initialement conçues pour afficher des images et accélérer certains calculs, ces puces sont devenues essentielles à l’IA parce qu’elles peuvent effectuer simultanément un très grand nombre d’opérations mathématiques.

Un serveur Nvidia DGX A100 peut ainsi nécessiter jusqu’à 6,5 kilowatts à lui seul. Or l’entraînement d’un grand modèle ne repose pas sur une seule machine. Il peut nécessiter de nombreux serveurs, chacun intégrant huit GPU, reliés afin de travailler ensemble. L’opération peut durer des semaines, voire des mois. Il faut en outre prendre en compte l’énergie consommée autour des puces, notamment par le refroidissement et les équipements qui font circuler les données entre les serveurs.

La tendance du secteur a longtemps été résumée par l’idée selon laquelle des modèles plus grands, entraînés sur davantage de données et avec plus de calcul, donnent de meilleures performances. Cette logique du « plus grand est meilleur » explique l’augmentation rapide des besoins matériels. Elle ne signifie pas qu’un modèle plus volumineux est systématiquement préférable dans tous les usages : pour une tâche simple, un système plus léger peut parfois suffire. Mais elle a fortement structuré la course aux grands modèles de langage.

L’entraînement n’est pas non plus nécessairement un événement unique. Au fil du développement d’un service, les équipes peuvent produire de nouvelles versions, tester des réglages ou adapter un modèle à des tâches spécifiques. La consommation électrique doit donc être envisagée sur l’ensemble du cycle de vie du système, et pas seulement au moment de son lancement public.

L’inférence, une petite dépense répétée des milliards de fois

Une fois le modèle entraîné, il entre dans sa phase d’utilisation, appelée inférence. Lorsqu’un internaute pose une question, le service transforme la demande en unités de texte, analyse le contexte, puis génère une réponse étape par étape. Chaque mot produit demande des calculs supplémentaires.

L’inférence réclame généralement moins de puissance de calcul qu’un entraînement complet. Cela ne veut pas dire qu’elle est négligeable. La facture dépend notamment de la taille du modèle, de la longueur de la question, de la quantité de texte déjà présente dans la conversation et de la longueur de la réponse demandée. Une demande très détaillée, accompagnée de longs documents ou suivie de nombreuses relances, mobilise davantage de ressources qu’une question courte.

Surtout, la répétition change l’échelle du problème. OpenAI affirme traiter plus de 2,5 milliards d’invites par jour. Même en supposant une consommation limitée pour chaque interaction prise isolément, un tel volume impose de maintenir en fonctionnement un parc informatique considérable. Les fournisseurs doivent pouvoir répondre vite, ce qui rend la disponibilité permanente des serveurs particulièrement importante.

Entraînement et inférence : deux impacts difficiles à comparer

Opposer simplement l’entraînement à l’inférence serait trompeur. L’entraînement peut concentrer une dépense électrique très élevée sur une période limitée, alors que l’inférence se déploie continuellement, tant que le chatbot est accessible au public. Un modèle très populaire peut donc voir le coût cumulé de ses réponses dépasser, avec le temps, celui de son entraînement initial.

Une estimation évoquée pour l’entraînement de GPT-4 atteint environ 50 GWh, soit un ordre de grandeur comparable à l’alimentation électrique d’une grande ville comme San Francisco pendant trois jours. Ce type de comparaison aide à visualiser l’échelle, mais il doit être interprété avec prudence. Sans publication complète des paramètres techniques, de la durée des calculs, du matériel réellement employé et de l’électricité utilisée par le centre de données, il reste difficile de vérifier et de comparer précisément ces estimations.

C’est la raison pour laquelle il n’existe pas de réponse universelle à la question : « Combien d’électricité consomme une requête de chatbot ? » Deux demandes apparemment similaires peuvent être traitées par des modèles différents, dans des centres de données différents, avec des réglages matériels différents. Présenter un chiffre unique, sans ces précisions, risquerait de donner une impression de certitude qui n’existe pas.

Pourquoi la transparence énergétique reste insuffisante

Des chercheurs tels que Mosharaf Chowdhury et Alex de Vries-Gao travaillent à mieux quantifier les besoins énergétiques de l’intelligence artificielle. Leur démarche répond à une difficulté très concrète : les utilisateurs, les chercheurs et les décideurs publics disposent encore de peu de données comparables sur les modèles les plus utilisés.

Des outils comme le ML Energy Leaderboard permettent de suivre la consommation de certains modèles open-source. Ils offrent un point de départ utile, car leur code ou leurs caractéristiques peuvent être analysés plus facilement. Mais ce type de classement ne résout pas le problème posé par les grands services propriétaires, dont les modèles, les centres de données et les méthodes d’optimisation sont rarement documentés avec le même niveau de détail.

Les grandes entreprises technologiques, parmi lesquelles Google et Microsoft, publient des informations sur leurs infrastructures et leurs objectifs environnementaux. En revanche, les données permettant d’attribuer clairement une part d’électricité à un modèle donné, à son entraînement ou à son usage quotidien restent souvent limitées. L’opacité ne signifie pas nécessairement l’absence d’efforts d’efficacité : elle rend surtout impossible une comparaison indépendante et rigoureuse.

Une transparence utile ne consisterait pas seulement à publier un total annuel d’électricité. Elle devrait préciser ce qui est mesuré : l’entraînement ou l’inférence, les seules puces ou l’ensemble du centre de données, un test ponctuel ou une utilisation à grande échelle. Elle devrait aussi indiquer les conditions dans lesquelles le calcul a été effectué. Sans ce contexte, deux chiffres en kilowattheures peuvent recouvrir des réalités très différentes.

Que peuvent faire les utilisateurs et les organisations ?

L’essentiel de la responsabilité énergétique incombe aux concepteurs de modèles, aux opérateurs de centres de données et aux entreprises qui choisissent de déployer ces outils à très grande échelle. Ce sont eux qui déterminent l’architecture, le matériel, les mécanismes de refroidissement et les modèles proposés aux utilisateurs. Les politiques publiques peuvent également encourager des rapports plus précis et des critères de transparence.

Les utilisateurs ne sont pas pour autant totalement sans prise. Employer un chatbot pour une tâche réellement utile, formuler une demande claire dès le départ et éviter de multiplier les générations identiques ou inutilement longues sont des habitudes cohérentes avec un usage plus sobre. Pour une demande simple, il est aussi pertinent de se demander si un moteur de recherche, un calcul local ou une source déjà disponible ne répond pas plus directement au besoin.

Choisir des horaires moins chargés peut contribuer à réduire la pression sur les infrastructures, mais cela ne garantit pas à lui seul une baisse mesurable de l’électricité consommée par une requête. L’absence de données détaillées ne permet pas de l’affirmer dans tous les cas. La démarche la plus structurante consiste donc à demander aux fournisseurs des indicateurs compréhensibles et comparables, notamment dans les entreprises, les administrations et les établissements d’enseignement qui déploient ces outils à grande échelle.

Ce qu’il faut surveiller d’ici à 2030

La consommation des chatbots dépendra autant de l’évolution des usages que des progrès techniques. Des modèles plus efficaces, des puces mieux adaptées et une meilleure utilisation des infrastructures peuvent réduire l’énergie nécessaire à certaines tâches. Mais ces gains risquent d’être compensés si le nombre de requêtes, la taille des modèles et les usages génératifs progressent encore plus vite.

Le principal enjeu est donc double : limiter l’énergie nécessaire pour chaque calcul et disposer de données publiques permettant d’évaluer le résultat. Alors que la consommation des centres de données pourrait doubler d’ici à 2030, la transparence énergétique ne relève plus d’un détail technique. Elle devient une condition nécessaire pour comparer les services, orienter les investissements et décider quels usages de l’IA méritent réellement les ressources qu’ils mobilisent.