IA générative : la course à la puissance face au mur des coûts et de l’énergie

L’intelligence artificielle générative est entrée dans une phase où l’émerveillement technologique ne suffit plus à expliquer sa trajectoire. Produire une réponse, une image ou un résumé à partir d’un modèle comme GPT-4 suppose des puces très puissantes, des centres de données, des réseaux et d’importants volumes d’électricité. Or ces infrastructures coûtent cher à construire comme à exploiter. À mesure que les usages se généralisent, deux questions deviennent indissociables : qui paiera cette puissance de calcul, et avec quelle énergie ?

À l’automne 2024, les chiffres associés à OpenAI illustrent l’ampleur du défi. L’entreprise qui a popularisé ChatGPT bénéficie d’une adoption exceptionnelle et d’investissements considérables. Elle doit pourtant absorber des coûts opérationnels qui peuvent atteindre 700 000 dollars par jour pour faire fonctionner les infrastructures nécessaires. Le sujet dépasse largement une entreprise : il concerne l’ensemble des acteurs engagés dans la course aux grands modèles d’IA.

Une économie de l’IA fondée sur des dépenses immédiates et des revenus à prouver

Le développement d’un modèle génératif ne se limite pas à écrire du logiciel. Avant sa mise à disposition du public, il faut réunir d’immenses corpus de données, entraîner le modèle sur des grappes de processeurs spécialisés, évaluer ses réponses et déployer le service à grande échelle. Ensuite, chaque requête d’un utilisateur mobilise à nouveau des serveurs : c’est la phase dite d’inférence, celle où le modèle génère effectivement une réponse.

Cette structure de coûts distingue l’IA générative de nombreux services numériques traditionnels. Un réseau social ou une messagerie peuvent aussi exiger une infrastructure massive, mais un assistant conversationnel sophistiqué doit réaliser un calcul complexe pour chaque interaction. Les conversations longues, la génération d’images et l’analyse de fichiers alourdissent encore cette facture.

Les projections alors évoquées pour OpenAI font apparaître un écart saisissant entre croissance commerciale et rentabilité. L’entreprise prévoit 3,7 milliards de dollars de revenus en 2024, mais ses pertes pourraient franchir 5 milliards de dollars. Elles pourraient même tripler d’ici 2026, jusqu’à 16 milliards de dollars. Ces prévisions ne signifient pas qu’un tel modèle est voué à l’échec : elles montrent plutôt que les entreprises du secteur parient sur une croissance future suffisamment rapide pour compenser les dépenses actuelles.

Pourquoi les abonnements ne suffisent pas encore à stabiliser le modèle

Les abonnements payants sont au cœur de la stratégie d’OpenAI. Selon les données citées, ils représentent 73 % de ses revenus. C’est une source de recettes régulière, mais aussi une dépendance : pour amortir ses infrastructures, l’entreprise doit convaincre une part croissante de ses utilisateurs gratuits que les fonctions avancées justifient un paiement récurrent.

Cette équation est complexe. Les utilisateurs s’habituent rapidement à la gratuité sur Internet, tandis que les offres concurrentes se multiplient. Les entreprises clientes, de leur côté, attendent des garanties de sécurité, de confidentialité et de fiabilité avant d’intégrer un outil d’IA dans leurs processus. Elles peuvent payer davantage qu’un particulier, mais leurs cycles de décision sont plus longs et leurs exigences plus élevées.

La levée de fonds de 6,6 milliards de dollars, qui a valorisé OpenAI à 157 milliards de dollars, donne à l’entreprise des moyens considérables. Elle ne supprime pas le besoin de démontrer qu’un service d’IA peut générer durablement plus de revenus qu’il ne consomme de ressources. Les investisseurs financent une promesse de croissance, mais ils regarderont aussi la capacité des entreprises à maîtriser leurs coûts de calcul.

L’électricité et l’eau, les ressources moins visibles de l’IA

Derrière une interface conversationnelle très simple se trouvent des centres de données qui doivent alimenter les processeurs et évacuer la chaleur qu’ils produisent. Leur empreinte dépend de plusieurs facteurs : la taille du modèle, le volume des demandes, l’efficacité des puces, le système de refroidissement et surtout le mix électrique local, c’est-à-dire la manière dont l’électricité est produite.

Le cas de l’eau rend ce phénomène plus concret. Une estimation reprise à propos de GPT-4 évoque jusqu’à trois bouteilles d’eau pour générer 100 mots. Il faut l’interpréter avec prudence : la consommation ne se mesure pas de façon identique dans tous les centres de données, et elle varie selon les équipements ou les régions. Mais cette image rappelle un fait essentiel : le calcul informatique a une réalité matérielle. L’eau peut être utilisée directement dans les systèmes de refroidissement et indirectement dans la production d’électricité.

L’Agence internationale de l’énergie prévoit que la demande électrique des centres de données pourrait doubler d’ici 2026. L’IA n’est pas l’unique cause de cette hausse, puisque le cloud, le stockage et les services numériques y contribuent aussi. Elle est toutefois devenue l’un des principaux moteurs de nouveaux besoins, car l’entraînement et le déploiement de grands modèles exigent des capacités de calcul particulièrement denses.

Les géants technologiques cherchent une énergie disponible en continu

Face à cette demande, les grandes entreprises technologiques cherchent des sources d’électricité bas carbone, abondantes et disponibles à toute heure. Microsoft s’est engagé dans un projet de redémarrage d’une centrale nucléaire. Google a annoncé une collaboration avec Kairos Power, autour de petits réacteurs nucléaires modulaires. Ces initiatives montrent que l’IA et le cloud replacent la question de l’énergie nucléaire au centre de la stratégie numérique.

Le nucléaire ne peut cependant pas être réduit à une réponse instantanée aux besoins de l’IA. Les projets nécessitent des délais, des investissements, des autorisations et une acceptabilité sociale. Les petits réacteurs modulaires restent par ailleurs une technologie dont le déploiement commercial à grande échelle doit encore faire ses preuves.

Le bilan environnemental ne se résume pas non plus à la source d’électricité annoncée. Microsoft a indiqué que ses émissions avaient augmenté de 29 % depuis 2020. Cette hausse illustre la tension entre les objectifs climatiques affichés et l’expansion physique des centres de données. Construire de nouveaux bâtiments, fabriquer des serveurs et répondre à davantage de requêtes ont eux-mêmes un coût carbone, même lorsque l’entreprise achète ou produit une part croissante d’électricité bas carbone.

Des usages qui bousculent la recherche en ligne et les revenus publicitaires

L’enjeu économique de l’IA se joue aussi du côté des usages. 250 millions de personnes utilisent alors ChatGPT, selon le chiffre évoqué dans les données disponibles à l’automne 2024. Cette popularité modifie les attentes : plutôt que de recevoir une liste de liens, l’internaute demande de plus en plus une réponse synthétique, rédigée et adaptée à sa question.

Le mouvement ne vient pas seulement des assistants conversationnels. Les millénariaux utilisent volontiers des plateformes comme TikTok pour chercher des recommandations, des adresses ou des explications courtes. Selon l’estimation citée, 40 % des utilisateurs se tournent vers des plateformes sociales plutôt que vers les moteurs de recherche traditionnels. Ces pratiques peuvent coexister : on peut chercher une vidéo d’expérience sur un réseau social, une réponse structurée auprès d’un assistant et une source précise via un moteur classique.

Google adapte sa réponse avec Gemini et AI Overviews, qui ambitionnent de proposer des synthèses générées par IA dans l’expérience de recherche. Pour les moteurs, les éditeurs de sites et les annonceurs, le changement est majeur. Le modèle historique de la recherche repose largement sur les clics vers des pages et sur la publicité qui les accompagne. Si la réponse est fournie directement dans l’interface, la distribution de l’audience et de la valeur publicitaire est susceptible d’être profondément modifiée.

Quand l’IA améliore l’efficacité, sans effacer son propre coût

L’IA n’est pas uniquement consommatrice de ressources. Bien employée, elle peut contribuer à les utiliser plus efficacement. Dans les hôpitaux, des dispositifs intégrant de l’IA, comme ceux évoqués au CHU de Montpellier, peuvent aider à optimiser l’organisation des soins. Dans la logistique, Amazon déploie de l’IA dans ses camionnettes afin d’améliorer les délais de livraison. Ces applications visent à réduire les frictions, les temps d’attente ou les trajets inutiles.

Des investisseurs s’intéressent aussi aux usages à impact social. Laurene Powell Jobs soutient des start-up d’intelligence artificielle tournées vers des défis de société. De son côté, Charles Oppenheimer étudie les synergies potentielles entre IA et énergie nucléaire, avec l’idée de faire émerger des solutions énergétiques plus durables.

Il faut néanmoins éviter un raisonnement automatique : une IA qui optimise une activité n’est pas nécessairement bénéfique pour l’environnement dans son ensemble. Pour le déterminer, il faut comparer le gain réel obtenu avec l’énergie, l’eau, les équipements et les données requis par le système. Une technologie peut améliorer localement une opération tout en alourdissant l’empreinte globale si elle est déployée sans mesure ou pour des usages peu utiles.

Ce qu’il faut surveiller pour une IA durable

La prochaine étape de l’IA générative ne dépendra pas seulement de la performance des modèles. Elle dépendra de la capacité des entreprises à bâtir une économie moins dépendante des levées de fonds successives, en combinant abonnements, contrats professionnels et services dont la valeur est clairement démontrée.

Sur le plan environnemental, quatre leviers méritent une attention particulière :

• l’efficacité des puces et des centres de données ;
• des modèles plus sobres, utilisés au niveau de puissance réellement nécessaire ;
• une électricité bas carbone disponible sans aggraver les tensions locales sur l’eau et les réseaux ;
• une transparence accrue sur les émissions, la consommation énergétique et les ressources mobilisées.

Le défi est donc double. L’IA peut accélérer la recherche, soutenir les soignants, fluidifier la logistique et modifier la manière d’accéder à l’information. Mais ses bénéfices ne doivent pas dispenser ses promoteurs de rendre compte de son coût matériel. En novembre 2024, concilier innovation, rentabilité et sobriété n’est plus une promesse abstraite : c’est la condition pour que la montée en puissance de l’IA s’inscrive dans la durée.