Au Royaume-Uni, l’IA générative progresse, mais son coût écologique inquiète

L’IA générative s’installe rapidement dans les habitudes numériques, y compris au Royaume-Uni. Elle sert à rédiger, résumer, chercher des idées, créer des images ou assister des tâches professionnelles. Pourtant, derrière la simplicité d’une consigne tapée dans une interface, des serveurs très puissants travaillent dans des centres de données. À mesure que ces usages se banalisent, leur facture énergétique devient une question publique.

Une enquête publiée par l’agence CloudNine PR met en lumière cette tension. D’un côté, la notoriété de ces outils est déjà élevée parmi les adultes britanniques. De l’autre, une part importante du public réclame des informations plus claires sur leurs conséquences environnementales. Le débat ne porte donc plus seulement sur ce que l’IA peut produire, mais aussi sur les ressources nécessaires pour le produire.

Ce que révèle l’enquête sur les Britanniques et l’IA générative

Selon l’étude de CloudNine PR, 83 % des adultes britanniques connaissent les outils d’IA générative. Ce chiffre mesure la connaissance de ces technologies, et non le nombre exact de personnes qui les utilisent chaque jour. Cette distinction compte : avoir entendu parler d’un assistant conversationnel ou d’un générateur d’images ne signifie pas nécessairement en faire un usage régulier.

L’enquête indique néanmoins que l’impact écologique est déjà identifié comme un sujet concret par une partie du public. Parmi les personnes connaissant l’IA générative, 45 % souhaitent que les entreprises expliquent clairement les coûts environnementaux associés à ces outils. Les attentes portent ainsi sur la transparence, au-delà des promesses de gain de temps ou de créativité.

Ces résultats dessinent un paradoxe familier dans le numérique. Les consommateurs peuvent apprécier l’utilité immédiate d’un service tout en s’interrogeant sur les infrastructures invisibles qui le rendent possible. Dans le cas de l’IA générative, cette infrastructure ne se limite pas à l’application affichée à l’écran : elle comprend les processeurs, les serveurs, les réseaux et les systèmes de refroidissement des centres de données.

Pourquoi l’IA générative consomme-t-elle de l’énergie ?

Un modèle d’IA générative est un programme entraîné à produire du texte, des images, du son ou d’autres contenus à partir d’une consigne. Son fonctionnement repose sur des calculs effectués par des équipements informatiques spécialisés. Ces calculs ont lieu à deux moments distincts.

Le premier est l’entraînement. Le modèle analyse de très grandes quantités de données afin d’apprendre des régularités dans la langue, les images ou d’autres contenus. Cette phase peut mobiliser beaucoup de capacité de calcul. Le second est l’utilisation, souvent appelée inférence : chaque fois qu’un utilisateur pose une question ou demande un contenu, le modèle doit calculer une réponse sur des serveurs distants.

L’empreinte énergétique totale dépend donc de plusieurs paramètres : la taille du modèle, la longueur de la demande et de la réponse, le nombre d’utilisateurs, l’efficacité des puces, l’architecture du centre de données et la manière dont l’électricité est produite. Une réponse courte à une question simple n’a pas le même coût qu’une longue génération d’image ou qu’un traitement répété de documents volumineux.

L’étude citée par CloudNine PR avance qu’une requête d’IA générative peut consommer jusqu’à dix fois plus d’énergie qu’une recherche Google. Cette comparaison donne un ordre de grandeur, mais elle ne doit pas être interprétée comme une règle fixe pour chaque action : les requêtes de recherche et les tâches d’IA générative peuvent être très différentes. Son intérêt est surtout de rappeler qu’un échange conversationnel généré en temps réel requiert généralement davantage de calculs qu’une recherche classique.

Que représente l’essor de ces requêtes à grande échelle ?

La question énergétique devient particulièrement importante lorsque les usages se multiplient. Une demande isolée paraît insignifiante. Des centaines de millions, voire des milliards de demandes quotidiennes, changent l’échelle du problème. C’est la multiplication des interactions, associée à l’entraînement de modèles toujours plus ambitieux, qui accroît les besoins des centres de données.

L’enquête reprend un scénario révélateur : si les 9 milliards de requêtes quotidiennes sur Google étaient remplacées par des tâches d’IA générative, la consommation correspondante équivaudrait à la consommation annuelle d’électricité de 1,5 million de résidents de l’Union européenne. Il s’agit d’une projection illustrative, non d’une prévision selon laquelle toutes les recherches seraient effectivement remplacées. Elle met en évidence le risque d’un effet de volume si l’IA générative devient l’interface par défaut de nombreuses activités numériques.

Morgan Stanley anticipe pour sa part une hausse de 70 % des besoins énergétiques liés à l’IA générative d’ici 2027. Cette perspective intervient alors que les opérateurs de centres de données doivent déjà répondre à une demande croissante de stockage, de services en ligne et de calcul en nuage. L’IA n’est donc pas la seule source de consommation, mais elle ajoute une pression spécifique en raison de l’intensité de calcul de certains modèles.

Les consommateurs demandent-ils une IA plus sobre ?

Les réponses recueillies au Royaume-Uni suggèrent qu’une partie des utilisateurs attend des garanties plus concrètes. Près d’un répondant sur cinq dit ne pas faire confiance aux fournisseurs d’IA pour gérer leurs conséquences écologiques de manière responsable. Cette défiance peut tenir à un manque d’informations accessibles : les entreprises communiquent volontiers sur les capacités de leurs outils, moins systématiquement sur l’énergie consommée par une requête, un entraînement ou un service complet.

L’idée d’informer directement les utilisateurs recueille aussi un écho. 35 % des personnes interrogées estiment que les outils d’IA générative devraient rappeler activement leur impact environnemental. Un tel rappel pourrait prendre la forme d’un indicateur ou d’une information au moment de l’usage. Son efficacité dépendrait toutefois de la méthode de calcul retenue et de la capacité à présenter une donnée compréhensible sans donner une fausse impression de précision.

Enfin, 10 % des utilisateurs réguliers se déclarent prêts à payer davantage pour des produits privilégiant l’efficacité énergétique. Cette proportion reste minoritaire, mais elle signale l’existence d’un marché potentiel pour des services qui associeraient performance et sobriété. Pour les entreprises, la question est délicate : rendre un outil plus efficient peut nécessiter des investissements dans le matériel, les logiciels et les centres de données, alors que les utilisateurs se sont habitués à des services gratuits ou peu coûteux.

Quels leviers peuvent réduire l’empreinte de l’IA ?

Réduire l’impact de l’IA générative ne signifie pas nécessairement renoncer à ses usages. Plusieurs leviers sont évoqués dans le débat, à commencer par l’adoption de matériel plus économe en énergie. Des puces plus efficaces peuvent accomplir davantage de calculs pour une même quantité d’électricité. L’optimisation des logiciels, des modèles et des systèmes de refroidissement peut aussi contribuer à diminuer les besoins des infrastructures.

L’approvisionnement en énergies renouvelables constitue un autre axe important. Il ne réduit pas automatiquement la quantité d’électricité nécessaire, mais peut modifier le bilan carbone associé à cette consommation. Dans ce domaine, les annonces d’entreprises doivent être accompagnées d’indicateurs comparables : sans règles communes, il est difficile pour le public, les clients et les pouvoirs publics d’évaluer les efforts réels.

La sobriété peut également concerner les usages. Toutes les tâches n’exigent pas le modèle le plus puissant ni la génération de contenus très détaillés. Choisir un outil adapté, éviter de répéter sans nécessité les mêmes demandes et privilégier des traitements proportionnés au besoin sont des gestes simples. Ils ne remplacent pas les choix industriels, mais ils rappellent que l’efficacité dépend à la fois des concepteurs et des utilisateurs.

Mesurer avant de comparer

La difficulté centrale reste la mesure. Faut-il comptabiliser uniquement l’électricité consommée lors de la réponse à un utilisateur ? Inclure l’entraînement du modèle ? Prendre en compte la fabrication du matériel et l’entretien des centres de données ? Ces questions méthodologiques expliquent pourquoi les comparaisons d’empreinte environnementale doivent être lues avec prudence.

Pour être utile, une information environnementale doit préciser son périmètre, sa méthode et les hypothèses retenues. Une donnée présentée sans contexte peut être trompeuse, même lorsqu’elle repose sur un calcul sérieux. La standardisation des méthodes de mesure est donc un préalable à une transparence réellement exploitable.

Vers des règles communes pour les entreprises d’IA

Aux États-Unis, une proposition de loi sur les impacts environnementaux de l’intelligence artificielle a été récemment mise en avant. Son objectif est de standardiser la façon dont les entreprises d’IA mesurent et déclarent leurs émissions de carbone. L’enjeu est de créer un langage commun, afin de comparer des services et de suivre l’évolution de leur impact au fil du temps.

Des acteurs majeurs du secteur technologique, dont Salesforce, soutiennent l’idée de règles imposant des méthodes uniformes pour évaluer l’empreinte carbone de l’IA. Le soutien de grandes entreprises montre que l’environnement devient un sujet de gouvernance technologique, au même titre que la sécurité, la protection des données ou les biais algorithmiques.

Pour le Royaume-Uni comme pour les autres marchés, cette évolution soulève une question pratique : quelles informations les fournisseurs devront-ils publier, et sous quelle forme ? Une obligation de déclaration pourrait améliorer la lisibilité du débat. Elle ne suffirait pas, à elle seule, à réduire la consommation d’énergie, mais elle rendrait plus difficile l’affirmation d’une IA « verte » sans éléments vérifiables.

Ce qu’il faut surveiller

L’enquête de CloudNine PR ne permet pas de prédire à elle seule la durée exacte de l’engouement britannique pour l’IA générative. Elle montre en revanche que la technologie a déjà franchi un seuil de visibilité auprès du grand public et que ses effets matériels commencent à être discutés.

La suite dépendra de plusieurs facteurs : l’évolution du nombre d’utilisateurs, la fréquence des requêtes, l’efficacité des futurs modèles, les investissements dans les centres de données et la mise en place de méthodes de mesure partagées. Uday Radia, propriétaire de CloudNine PR, souligne le potentiel important de l’IA générative pour améliorer le quotidien. Le défi est désormais de concilier cette promesse avec des infrastructures capables d’en limiter le coût environnemental.

Pour les consommateurs, l’enjeu n’est pas de culpabiliser chaque utilisation. Il consiste plutôt à demander des informations fiables et comparables. Pour les entreprises, il est de prouver que l’innovation ne se résume pas à produire des modèles plus capables, mais qu’elle passe aussi par des systèmes plus efficaces, plus transparents et mieux adaptés aux contraintes énergétiques.