La part de l’énergie consacrée à l’inférence dans le cycle de vie des grands modèles d’IA a progressé de façon significative ces dernières années, au point de dépasser désormais celle de l’entraînement. Autrement dit, faire tourner l’IA coûte désormais plus cher en énergie que la construire. Et ce renversement survient exactement au moment où chaque requête individuelle devient moins gourmande.

Ce paradoxe n’est pas un bug. C’est le coeur du débat énergétique autour de l’IA, et il explique pourquoi deux camps s’affrontent avec les mêmes chiffres pour dire l’inverse. Les optimistes montrent que l’efficacité par tâche s’améliore d’au moins un ordre de grandeur par an. Les alarmistes répondent que la consommation totale du secteur progresse fortement chaque année — l’Agence internationale de l’énergie chiffre cette croissance à environ 17 % pour l’ensemble des data centers en 2025, et à environ 50 % pour les data centers focalisés sur l’IA sur cette même année. Tous ont raison. Ils mesurent des choses différentes.

L’essentiel

  • La consommation énergétique totale liée à l’IA progresse de façon soutenue chaque année, selon l’AIE, même si l’efficacité par tâche s’améliore d’au moins un ordre de grandeur chaque année.
  • La part de l’énergie de cycle de vie des modèles frontières consommée à l’inférence est désormais majoritaire et en forte progression, ayant significativement dépassé celle de l’entraînement ces dernières années.
  • Les requêtes dites “reasoning” peuvent consommer des centaines, voire des milliers de fois plus d’énergie que de simples tâches de génération de texte selon l’AIE, ce qui en fait un levier de gouvernance potentiel.
  • L’effet rebond dépasse les gains d’efficacité parce que le déploiement s’accélère plus vite que les optimisations, un phénomène bien documenté depuis les travaux de Stanley Jevons sur la consommation de charbon au XIXe siècle.
  • La confusion entre efficacité par requête et consommation totale désarme les régulateurs, qui peinent à choisir le bon indicateur.

Quand les gains d’efficacité n’empêchent pas la hausse de la facture

L’histoire de la consommation énergétique des technologies est une longue série de paradoxes du même type. Les moteurs à vapeur de Watt consommaient moins de charbon par cheval-vapeur produit que ceux de Newcomen. Résultat : on en a installé beaucoup plus, et la consommation de charbon a explosé. Stanley Jevons décrit ce mécanisme en 1865. Cent soixante ans plus tard, il s’applique aux data centers à la perfection.

L’AIE documente le phénomène avec précision dans son rapport Energy and AI publié en avril 2025. L’efficacité énergétique par tâche des modèles d’IA s’améliore à un rythme remarquable, estimé à au moins un ordre de grandeur par an. Un modèle qui réalise aujourd’hui une tâche de classification d’image consomme dix à cent fois moins d’énergie qu’un modèle comparable d’il y a deux ans pour un résultat équivalent. Les équipes de Google DeepMind, d’Anthropic et d’OpenAI publient régulièrement des benchmarks qui confirment cette trajectoire.

Mais l’usage croît plus vite que l’efficacité ne progresse. Chaque gain d’efficacité rend l’IA moins chère à déployer, ce qui attire de nouveaux usages, de nouveaux utilisateurs, de nouvelles applications. L’enveloppe totale gonfle. C’est exactement le paradoxe de Jevons : rendre une ressource plus efficace augmente sa consommation globale parce que l’usage s’emballe. Au taux de croissance de l’ordre de 15 % par an retenu comme cas de base par l’AIE pour les data centers jusqu’en 2030, la consommation totale du secteur doublerait en cinq ans environ.

Le renversement silencieux : l’inférence dépasse l’entraînement

Jusqu’en 2023, le débat énergétique autour de l’IA se concentrait sur l’entraînement des modèles. GPT-3, Llama, Gemini : chaque nouveau modèle frontière mobilisait des milliers de GPU pendant des semaines et consommait des quantités d’énergie qui faisaient les manchettes. C’était le moment visible, le sprint coûteux et bien délimité.

L’inférence, elle, était perçue comme bon marché. Interroger un modèle déjà entraîné semblait négligeable face au coût de sa construction.

Ce calcul est périmé. La part de l’inférence dans l’énergie totale consommée sur le cycle de vie d’un modèle frontière est désormais largement majoritaire, et cette bascule s’est produite en quelques années seulement. Elle s’explique par une arithmétique simple : un modèle s’entraîne une fois, puis répond à des milliards de requêtes pendant des mois ou des années. À mesure que le déploiement monte en charge, la phase d’inférence finit toujours par écraser la phase d’entraînement dans le bilan énergétique total.

Cette bascule a une conséquence pratique immédiate : optimiser l’entraînement est désormais une variable secondaire dans le bilan carbone de l’IA. Ce qui compte, c’est ce qui se passe à chaque requête, à chaque appel d’API, à chaque interaction. Et c’est là que le type de requête devient décisif.

Le reasoning change la physique du problème

Tous les modèles d’IA ne se ressemblent pas sur le plan énergétique. Une requête standard, du type “traduis cette phrase” ou “résume ce texte”, mobilise le modèle pour quelques millisecondes. Une requête dite “reasoning”, qui demande au modèle de décomposer un problème complexe, de vérifier ses propres étapes de raisonnement et d’explorer plusieurs hypothèses avant de répondre, peut durer plusieurs secondes à plusieurs minutes et mobiliser des ressources de calcul sans commune mesure.

L’AIE, dans son rapport Key Questions on Energy and AI publié en avril 2026, chiffre l’écart de façon saisissante : les tâches de raisonnement et agentiques peuvent consommer des centaines, voire des milliers de fois plus d’énergie par requête que de simples tâches de génération de texte. OpenAI o1, Google Gemini Thinking, les dernières versions de Claude d’Anthropic, sont toutes construites autour de cette capacité de raisonnement étendu. Ce sont aussi, précisément, les modèles dont les usages professionnels et scientifiques se développent le plus vite.

Le Stanford AI Index 2025 le confirme : les grandes entreprises et les institutions de recherche migrent massivement vers les modèles reasoning pour les tâches complexes, analyse juridique, modélisation financière, découverte de molécules, génération de code. Les usages les plus utiles sont aussi les plus énergivores.

C’est là que la variable de gouvernance apparaît clairement. Contrairement à la consommation d’un data center entier, difficile à réguler sans freiner l’ensemble de l’activité, le type de requête est un levier actable. Une politique qui distingue les usages reasoning des usages standard dispose d’un instrument précis, mesurable et calibrable. Ce n’est pas encore dans les textes régulateurs, ni en Europe ni ailleurs, mais les paramètres techniques existent.

La confusion des indicateurs désarme la régulation

Le problème politique est là : depuis deux ans, le débat public oscille entre deux narratifs qui ne se parlent pas. D’un côté, les défenseurs de l’IA citent les courbes d’efficacité. De l’autre, les critiques citent les projections de consommation totale. Les deux ont des chiffres solides. Ils mesurent des grandeurs orthogonales.

Cette confusion n’est pas anodine. Elle paralyse les régulateurs. Un décideur qui ne distingue pas efficacité par requête et consommation totale ne peut pas choisir le bon indicateur, et donc pas concevoir la bonne politique. Faut-il imposer des standards d’efficacité aux modèles ? Des plafonds de consommation aux data centers ? Des labels par type de requête ? Des obligations de reporting carbone par usage ? Toutes ces options existent, mais elles n’agissent pas sur la même variable.

L’Union européenne, avec l’AI Act et les discussions en cours sur le volet énergie du Data Act, commence à poser les questions mais sans encore y répondre avec précision. Les régulateurs américains, sous la pression des grandes entreprises technologiques, restent en retrait. La Chine, dont les data centers consomment une part croissante de l’électricité nationale, pilote des plans d’efficacité par datacenter sans distinguer les types d’usages.

La question de l’intensité carbone de cette consommation ajoute une couche de complexité. L’éolien en mer et les renouvelables progressent mais à un rythme qui ne compense pas encore l’augmentation de la demande des data centers. En 2024, la demande électrique mondiale des data centers a dépassé 400 TWh selon l’AIE. En 2030, les projections centrales situent cette demande entre 700 et 1 000 TWh selon le rythme de déploiement de l’IA. L’écart entre ces scénarios dépend essentiellement des politiques de gouvernance adoptées dans les trois prochaines années.

Les acteurs qui travaillent le problème

L’idée que l’industrie ignore la question est inexacte. Plusieurs dynamiques sont en cours, portées par des acteurs différents.

Google a publié ses données de consommation énergétique par type d’opération et s’est engagé sur une trajectoire d’alimentation 24/7 en énergie sans carbone d’ici 2030, ce qui signifie non plus une compensation annuelle mais une correspondance heure par heure entre consommation et production propre dans chaque région. C’est une ambition technique considérable. Microsoft a conclu des accords d’approvisionnement en énergie nucléaire, notamment avec Constellation Energy pour la remise en service de Three Mile Island, précisément pour répondre à la demande ferme et permanente des data centers. Amazon Web Services investit dans des réacteurs modulaires de petite taille pour les mêmes raisons.

Du côté des modèles, des équipes comme celles de Mistral AI en France ou de DeepSeek en Chine ont montré qu’il était possible de construire des modèles très compétitifs avec des architectures plus légères et moins gourmandes en énergie. DeepSeek-R1, sorti début 2025, a provoqué un moment de stupeur dans le secteur en atteignant des performances proches des modèles américains avec une fraction du calcul. C’est une démonstration pratique que l’efficacité n’est pas plafonnée.

L’AIE et plusieurs laboratoires académiques, dont le groupe d’Emma Strubell à Carnegie Mellon, travaillent à des méthodes de mesure standardisées de l’empreinte énergétique des modèles. Sans mesure, pas de régulation possible. Cette infrastructure de données est un préalable à tout cadre sérieux.

L’IA pourrait aussi accélérer la transition qu’elle complique

Il serait incomplet de traiter l’IA uniquement comme un problème énergétique. Elle est aussi, potentiellement, un outil pour résoudre une partie des problèmes qu’elle contribue à créer.

Les modèles d’optimisation du réseau électrique développés par des entreprises comme DeepMind (désormais Google DeepMind) ont montré des gains de 10 à 15 % sur la gestion des data centers eux-mêmes. Des modèles de prévision météorologique de nouvelle génération, comme GraphCast, permettent une meilleure intégration des énergies intermittentes dans les réseaux. Des outils de découverte de matériaux accélèrent la recherche sur les batteries et les panneaux solaires de nouvelle génération.

Ces applications sont réelles et mesurables. Elles ne compensent pas mécaniquement le coût énergétique de l’IA, et personne ne dispose encore d’un bilan consolidé fiable sur le net. Mais elles indiquent que la relation entre IA et transition énergétique est plus complexe qu’une simple équation de consommation. La montée en compétences autour de l’IA dans des secteurs comme l’énergie et l’ingénierie accélère aussi la diffusion de ces outils dans des contextes où ils peuvent avoir un effet multiplicateur.

La question ouverte reste celle du timing. Les bénéfices climatiques de l’IA sont pour la plupart des potentiels à réaliser sur dix à vingt ans. Le coût énergétique est réel et croissant aujourd’hui. Si les data centers sont alimentés au gaz ou au charbon pendant les cinq prochaines années en attendant que les renouvelables et le nucléaire montent en puissance, le bilan intermédiaire est négatif. Le rythme de décarbonation du secteur électrique n’est pas une donnée fixe : il dépend des politiques énergétiques nationales, dont certaines restent mal alignées avec les trajectoires de demande que l’IA crée.

Ce que les régulateurs peuvent faire maintenant

Aucun des problèmes identifiés ici n’est sans solution. La contrainte est réelle ; elle n’est pas insurmontable.

Un premier levier est la normalisation de la mesure. Sans standard commun pour déclarer la consommation énergétique par type de requête, les entreprises publient des chiffres incomparables. L’AIE, l’IEEE et les organismes de normalisation européens ont tous proposé des cadres. Les faire converger vers un format unique est une tâche de coordination, pas une rupture technologique.

Un deuxième levier est la transparence par usage. Obliger les grands fournisseurs de services d’IA à déclarer la consommation de leurs API par catégorie, requête standard versus reasoning, permettrait aux entreprises clientes de piloter leur propre empreinte. C’est le même principe que le reporting carbone des chaînes d’approvisionnement, étendu à la consommation informatique.

Un troisième levier est l’alignement des signaux de prix. Aujourd’hui, le coût d’une requête reasoning pour l’utilisateur reflète partiellement le coût de calcul, mais pas le coût énergétique complet ni son intensité carbone. Une tarification qui intégrerait ces externalités, à la manière de ce que la taxe carbone tente de faire dans d’autres secteurs, inciterait à une allocation plus précise entre les usages qui méritent le raisonnement étendu et ceux qui s’en passent.

Rien de tout cela ne ralentit l’IA. Cela la dirige. La distinction que l’AIE opère entre efficacité par requête et consommation totale n’est pas qu’un exercice de clarté conceptuelle. C’est la carte sans laquelle toute politique reste aveugle.

Sources

  1. IEA — Energy and AI (avril 2025) : https://www.iea.org/reports/energy-and-ai/executive-summary
  2. IEA — Key Questions on Energy and AI (avril 2026) : https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary
  3. Stanford University — AI Index Report 2025 : https://aiindex.stanford.edu/report/
  4. Stanford HAI — AI Index 2025 : https://hai.stanford.edu/ai-index/2025-ai-index-report
  5. Stanley Jevons, The Coal Question (1865) — référence historique, domaine public
  6. Wikipedia — Paradoxe de Jevons : https://en.wikipedia.org/wiki/Jevons_paradox
  7. White & Case — Energy Efficiency Requirements under the EU AI Act : https://www.whitecase.com/insight-alert/energy-efficiency-requirements-under-eu-ai-act
  8. Luccioni et al. (2025) — Jevons Paradox and AI — ACM FAccT : https://arxiv.org/abs/2501.16548