L’Intel­li­gence arti­fi­cielle (IA) est sou­vent décrite comme un out­il révo­lu­tion­naire cen­sé trans­former l’humanité, et dont les béné­fices dépasseraient large­ment ses aspects négat­ifs. La sor­tie de Chat­G­PT il y a un an a mar­qué un nou­veau tour­nant dans sa démoc­ra­ti­sa­tion. Mais quels sont les impacts écologiques réels de l’IA ?

Il y a urgence à mieux les com­pren­dre, et met­tre en lumière un sujet essen­tiel, remar­quable­ment absent du débat pub­lic : la ques­tion de la final­ité. Sans pré­ten­dre à l’exhaustivité, voici quelques ordres de grandeur et des clés de lec­ture pour mieux com­pren­dre ces tech­nolo­gies qui envahissent pro­gres­sive­ment nos vies.

Les impacts ne se limitent pas à l’entrainement des algorithmes

Voilà un chiffre qui revient sou­vent : l’entraînement de Chat­G­PT 3 a émis 550 tonnes de CO2, soit au moins autant que 500 vols en aller sim­ple entre Paris et New York.

550 tonnes. Ce chiffre est martelé dans les médias, comme la preuve d’un impact mon­u­men­tal de l’Intelligence arti­fi­cielle : soyons clairs, ce chiffre est impor­tant, mais il est large­ment sous-estimé si on prend en compte l’intégralité de la chaîne de valeur. Le domaine de l’Intelligence arti­fi­cielle est apparu il y a 80 ans, et pour­tant il n’existe tou­jours pas de méthodolo­gie robuste pour cal­culer son impact sur l’intégralité de son cycle de vie, ni de don­nées fiables pour le mesur­er.

La qua­si-total­ité des études sur la ques­tion de l’empreinte envi­ron­nemen­tale de l’intelligence arti­fi­cielle se con­cen­trent unique­ment sur les émis­sions de car­bone dans la phase d’apprentissage, c’est-à-dire la con­som­ma­tion élec­trique des data cen­ters pour fab­ri­quer l’algorithme — ou l’entraînement. Elles sont prin­ci­pale­ment dépen­dantes de l’intensité car­bone de l’électricité util­isée par le data cen­ter, et de la durée totale du cal­cul.

D’autres étapes con­tribuent pour­tant à génér­er des impacts néfastes. La fab­ri­ca­tion du matériel néces­saire — les data cen­ters et les cartes graphiques de cal­culs (appelées aus­si GPUs) — n’est jamais cal­culée, ni prise en compte.

Mais surtout, il existe un seuil à par­tir duquel les impacts de l’utilisation d’un algo­rithme devi­en­nent pré­dom­i­nants, en par­ti­c­uli­er pour les IA récentes dites «généra­tives», celles qui, comme Chat­G­PT, génèrent notam­ment du texte ou des images : Sasha Luc­cioni, sci­en­tifique et experte des ques­tions envi­ron­nemen­tales de l’IA pour la start­up Hug­ging Face, chiffre autour de 200 à 600 mil­lions d’utilisations (selon de la taille du mod­èle), le point de bas­cule à par­tir duquel l’utilisation devient plus gour­mande que l’entraînement. Un chiffre atteint en une semaine seule­ment sur Chat­G­PT (180 mil­lions d’utilisateurs act­ifs au comp­teur).

«La prise en compte de la matéri­al­ité de ce monde virtuel devient cru­ciale»

Dans le livre blanc de l’association Data for Good sur l’IA généra­tive, nous avons ain­si éval­ué la con­som­ma­tion élec­trique et son équiv­a­lent en émis­sions car­bone pour la phase d’utilisation de Chat­G­PT 3.5 autour de 100 000 tonnes de CO2, soit 200 fois plus que l’entraînement de l’al­go­rithme lui-même. Une esti­ma­tion pour ChatGPT4 pour­rait don­ner un chiffre bien supérieur, notam­ment à cause de la nou­velle fonc­tion­nal­ité de généra­tion d’images, beau­coup plus éner­gi­vore.

À l’heure de l’adoption expo­nen­tielle de ces tech­nolo­gies, favorisée par l’empressement du monde de la tech à embar­quer ces méga-algo­rithmes obès­es dans un max­i­mum de pro­duits, la prise en compte de la matéri­al­ité de ce monde virtuel devient cru­ciale.

L’éléphant dans la salle serveur : les applications et la finalité de l’IA

Mais ces impacts (fab­ri­ca­tion du matériel, con­som­ma­tion d’énergie en phase d’entraînement et d’usage) ne sont encore que la par­tie émergée de l’iceberg. L’intelligence arti­fi­cielle, en tant qu’outil, est mise au ser­vice de notre économie ultra-car­bonée dans le but de la servir et de l’optimiser active­ment — en somme, de la met­tre sous stéroïdes. Une récente étude per­for­ma­tive du géant du con­seil McK­in­sey lui attribue une aug­men­ta­tion poten­tielle de 2,5 à 4% de PIB sup­plé­men­taire par année dans de nom­breuses indus­tries. Selon nos cal­culs, cela pour­rait génér­er l’émission d’au moins un mil­liard de tonnes de CO2 sup­plé­men­taires par an — l’équivalent de 2% des émis­sions annuelles mon­di­ales.

Par les gains de pro­duc­tiv­ité qu’elle génère, l’IA per­met d’augmenter la pro­duc­tion des biens exis­tants. Dans l’industrie fos­sile par exem­ple, Exxon­Mo­bil a annon­cé pou­voir pro­duire 50 000 bar­ils de pét­role de schiste sup­plé­men­taires par jour dans le bassin Per­mien (la plus grosse bombe car­bone au monde) grâce à l’amélioration de ses tech­niques d’extraction per­mis­es par l’intelligence arti­fi­cielle. Cela représente env­i­ron 20 000 tonnes de CO2 sup­plé­men­taire par jour. C’est l’équivalent d’un an d’émissions car­bone liées à la con­som­ma­tion élec­trique de Chat­G­PT — en seule­ment cinq jours de for­age. Et d’écouler cette pro­duc­tion par l’hyper-personnalisation et le ciblage par le biais par exem­ple d’algorithmes hyper-addic­tifs, comme celui de Tik­Tok, ou de man­nequins 100% made in IA qui pro­duisent du con­tenu tou­jours plus vite.

Mais elle crée aus­si pléthores de nou­veaux usages et pro­duits man­u­fac­turés, dont une large majorité est super­flue — il suf­fit d’aller faire un tour au CES 2024, le forum de la tech­nolo­gie de Las Vegas, pour s’en con­va­in­cre : entre des nou­velles lunettes Ray­ban con­nec­tées, les jumelles Swarovs­ki à 4 800 dol­lars pour iden­ti­fi­er les oiseaux, une nou­velle gamme de vête­ments «intel­li­gents» The Kooples, des toi­lettes avec qui échang­er sur la cuvette ou des pous­settes qui se poussent toutes seules.

«Son adop­tion n’est ni inévitable, ni automa­tique. Elle est éminem­ment poli­tique.»

Bien sûr, il existe des final­ités utiles dans la médecine, la mod­éli­sa­tion cli­ma­tique, l’efficacité ou l’optimisation des ressources … mais elles sont si peu nom­breuses au regard des autres appli­ca­tions. Et les effets rebonds ont toutes les chances d’effacer des gains énergé­tiques poten­tiels par une inten­si­fi­ca­tion des usages.

Dévelop­per sans lim­ite une tech­nolo­gie qui per­met de men­er à la marge des pro­jets «verts» tout en aug­men­tant mas­sive­ment le «brun» — aura un impact net large­ment négatif sur le monde.

Soyons techno-lucides : pensons les fins avant les moyens

Nous sommes au début d’un change­ment de par­a­digme. D’une tech­nolo­gie ampli­fi­ca­trice de con­tenus créés par des humains, nous pas­sons à l’ère d’une tech­nolo­gie capa­ble de génér­er du con­tenu, de nous recom­man­der (Spo­ti­fy, GPS, etc.), voire de nous com­man­der des com­porte­ments, à l’image de ces tra­vailleurs Ama­zon qui doivent suiv­re la cadence dic­tée par des IA dans les entre­pôts de la firme. Cette tech­nolo­gie n’est pas neu­tre : elle s’inscrit dans un cadre socio-tech­nique et doit être appréhendée à l’aune du monde cap­i­tal­iste dans lequel elle est pen­sée. De ce qu’elle con­tribue à tiss­er, ampli­fi­er, con­solid­er et ver­rouiller en son sein.

À rebours des grands dis­cours sur ses pré­ten­dus impacts dans la lutte con­tre le change­ment cli­ma­tique, la nou­velle vague de l’IA nous ori­ente vers une marchan­di­s­a­tion tou­jours accrue. Bien plus qu’un sim­ple algo­rithme, elle incar­ne une vision du monde. Un monde ultra-tech­nologique dans lequel l’optimisation et la pro­duc­tiv­ité sont poussées jusqu’au ver­tige.

Mais son adop­tion n’est ni inévitable, ni automa­tique. Elle est éminem­ment poli­tique.

Nous pou­vons et devons ques­tion­ner ses usages et leur inté­gra­tion dans notre quo­ti­di­en.

En tant que pro­fes­sion­nels du secteur, nous pou­vons désert­er les usages inutiles — et refuser d’être les arti­sans d’IA gad­gets qui spolient des ressources en con­flit d’usages.

En tant que citoyens, nous devons nous inter­roger sur notre pro­pre rap­port à ces tech­nolo­gies et nous mobilis­er pour décider col­lec­tive­ment des usages qui doivent être main­tenus et ceux qui doivent être aban­don­nés. Nous devons exiger ce choix.

Nous devons penser les fins avant les moyens.

Nous devons être tech­no-lucides.

Lou Wel­gryn et Théo Alves da Cos­ta, co-président·es de Data for Good et mem­bres du col­lec­tif Eclair­cies