L'intelligence artificielle générative consomme-t-elle vraiment aussi peu d'énergie que Google veut bien le laisser entendre ? Des experts indépendants et des analystes du secteur pointent de sérieuses lacunes dans les rapports publiés par le géant de Mountain View sur l'empreinte environnementale de ses technologies IA. Un enjeu de taille, alors que les centres de données mondiaux voient leur consommation électrique exploser.
Quels sont les éléments manquants dans les évaluations de Google ?
Dans ses communications officielles, Google avance des chiffres qui semblent rassurants : une requête textuelle standard sur ses modèles Gemini consommerait environ un quart de watt-heure, soit l'équivalent de "cinq gouttes d'eau". Des métriques présentées comme représentatives de l'impact global de l'IA. Mais cette image est trompeuse pour plusieurs raisons fondamentales.
Premièrement, ces estimations ne concernent que les requêtes textuelles simples, ignorant délibérément les requêtes multimodales — celles qui impliquent des images, des vidéos, des fichiers audio ou des documents complexes. Or, ces requêtes multimodales représentent une part croissante de l'utilisation réelle des modèles IA, et leur consommation énergétique peut être 5 à 20 fois supérieure à celle d'une requête textuelle standard.
Deuxièmement, Google ne fournit que des valeurs médianes, sans aucune distribution statistique. Ce choix méthodologique masque la réalité des cas extrêmes : les requêtes complexes, les sessions longues avec contexte étendu, les tâches de génération de code ou de raisonnement en chaîne consomment des ressources sans commune mesure avec la médiane affichée.
- Requêtes multimodales ignorées : traitement d'images, vidéos et documents longues — des cas d'usage en forte croissance.
- Absence de données de distribution : seule la médiane est communiquée, sans percentiles ni valeurs maximales.
- Périmètre de mesure flou : les chiffres excluent souvent l'énergie de refroidissement des data centers et les émissions liées à la fabrication du matériel.
- Consommation en eau occultée : les data centers consomment des millions de litres d'eau pour le refroidissement — un impact environnemental rarement mentionné.
Comment les estimations minimisent-elles l'impact énergétique réel ?
Au-delà des lacunes méthodologiques, la comparaison entre Google et d'autres acteurs majeurs révèle des disparités troublantes en matière de transparence. OpenAI, par exemple, communique sur 2,5 milliards de requêtes quotidiennes traitées par ChatGPT. Google, de son côté, indique 450 millions d'utilisateurs mensuels actifs pour Gemini, sans jamais préciser le volume de requêtes réel ni le mix entre requêtes simples et complexes.
Cette opacité n'est pas neutre. Elle permet de présenter des chiffres de consommation unitaire favorables, sans permettre au public ou aux régulateurs de calculer l'impact total à l'échelle de l'utilisation réelle. C'est une forme de communication sélective qui soulève des questions légitimes sur la sincérité des engagements environnementaux affichés par Google.
Matt Kimball, analyste senior chez Moor Insights & Strategy, résume bien l'enjeu : "Les entreprises qui déploient des solutions IA ont besoin de pouvoir prévoir leur consommation opérationnelle. Des chiffres médians sans contexte ne permettent pas cette prévision. C'est comme vendre une voiture en ne communiquant que sur la consommation en descente."
Quelles implications pour les entreprises ?
Pour les DSI et les responsables IT des entreprises qui intègrent des solutions IA dans leurs processus, ces lacunes dans les données officielles créent de vraies difficultés opérationnelles et budgétaires.
Simon Ninan, de Hitachi Vantara, souligne que les architectures de refroidissement traditionnelles par air sont inadaptées aux densités thermiques générées par les clusters de GPU modernes. Les entreprises qui investissent dans de l'infrastructure IA on-premise sans anticiper cette dimension risquent des surprises désagréables sur leurs factures d'énergie et leurs besoins en refroidissement.
Plusieurs stratégies permettent toutefois aux organisations de mieux maîtriser l'empreinte énergétique de leurs initiatives IA :
- Adopter le refroidissement liquide : les systèmes de liquid cooling permettent de réduire la consommation énergétique des serveurs IA de 30 à 40 % par rapport au refroidissement par air traditionnel.
- Choisir des GPU efficaces : les nouvelles générations de puces (NVIDIA H100, AMD MI300X) offrent des rapports performance/watt considérablement améliorés par rapport aux générations précédentes.
- Optimiser les requêtes : mettre en place des politiques de qualité des requêtes, limiter les contextes excessivement longs, batching des requêtes — autant de leviers pour réduire la consommation sans dégrader les usages.
- Mesurer réellement : ne pas se fier aux seules déclarations des fournisseurs. Des outils de monitoring énergétique indépendants permettent de mesurer la consommation réelle de chaque workload IA.
- Intégrer les coûts environnementaux dans les ROI IA : eau, énergie, carbone — ces externalités doivent figurer dans les calculs de rentabilité des projets IA, au même titre que les coûts licences et infrastructure.
Les évaluations incomplètes de Google ne sont pas un cas isolé : c'est un problème structurel de l'industrie IA dans son ensemble. Mais la taille et l'influence de Google lui confèrent une responsabilité particulière en matière de transparence environnementale. À l'heure où la réglementation européenne (AI Act, Green Deal) se renforce, les entreprises du secteur ne pourront pas indéfiniment se soustraire à une mesure rigoureuse et complète de leur impact.