Comprendre l’IA avec l’IA

3.1 Un peu d’histoire

Quand on parle d’intelligence artificielle aujourd’hui, on pense souvent à des outils comme ChatGPT ou des générateurs d’images. Mais l’idée de « machine intelligente » est beaucoup plus ancienne : dès les années 1950, des chercheurs se posent déjà la question « une machine peut-elle penser ? ». ¹

Au début, l’IA est surtout symbolique : des règles écrites à la main (« si telle condition est vraie, alors fais ça »). Ça fonctionne pour des problèmes bien cadrés, mais on est très loin d’un chat qui répond à tout comme aujourd’hui.

Le gros changement arrive quand on passe à l’apprentissage automatique. Au lieu de tout programmer à la main, on donne au modèle énormément d’exemples (textes, images, etc.) et il apprend à repérer des motifs tout seul. Ensuite viennent le deep learning (méthode d’apprentissage automatique avancée, basée sur des réseaux de neurones, c’est-à-dire des systèmes inspirés du fonctionnement du cerveau) et, en 2017, les transformers (type de modèle d’IA pour traiter le texte), qui sont la base des modèles de langage modernes.² Pour illustrer mes propos, voici une frise chronologique qui montre les grandes étapes de l’IA.

Dans mon TPA, quand je parle d’IA, je parle surtout de ces modèles de langage. Pour faire simple, ils prédisent mot par mot (ou morceau de mot par morceau de mot) la suite la plus probable d’un texte, en fonction de ce qu’on leur a donné comme consigne. Derrière cette idée assez simple, il y a une grosse machine technique qu’on va voir dans la partie suivante.

3.2 Comment on entraîne une IA (version simplifiée)

Pour qu’une IA comme ChatGPT fonctionne, il ne suffit pas d’appuyer sur un bouton magique. Il y a une vraie « recette » technique derrière. Je résume ici les grandes étapes, sans rentrer dans les maths.

1) Récupérer des données

D’abord, il faut beaucoup de données. Pour un modèle de langage, ce sont surtout des textes : pages web, livres, documentations, forums, etc. On nettoie ces données (enlever les doublons, le spam, certains contenus) pour obtenir un gros corpus (grand ensemble de textes ou de données) utilisable.

2) Transformer les mots en nombres

L’ordinateur ne comprend pas directement les mots. On transforme donc le texte en une suite de nombres. On découpe le texte en petits morceaux (appelés « tokens », c’est-à-dire de petits morceaux de texte traités par l’IA) et chaque token est représenté par un numéro. Tout l’entraînement se fait ensuite sur ces nombres.

3) Entraîner le modèle

Là, on arrive au cœur du processus. L’idée est la suivante : on montre au modèle un bout de phrase, il essaie de deviner la suite, et on lui dit à quel point il s’est trompé. En fonction de ça, il ajuste ses paramètres (ce sont des nombres internes, autrement dit les réglages internes du modèle, qui déterminent la façon dont il transforme l’entrée en sortie).

On répète cette boucle des millions de fois sur des tonnes de textes. Petit à petit, le modèle s’améliore et devient capable de produire des réponses cohérentes. Tout ça demande énormément de calculs et donc beaucoup d’électricité.³

4) Pourquoi on parle tout le temps de GPU ?

Pour faire tourner ce type de modèle, on utilise surtout des GPU. À la base, ce sont des cartes graphiques pour les jeux vidéo, mais elles sont très bonnes pour faire plein de petits calculs en parallèle. C’est exactement ce qu’il faut pour l’entraînement de grands modèles d’IA.

Dans un data center, il peut y avoir des rangées entières de serveurs remplis de GPU qui calculent jour et nuit. La demande est tellement forte que certains fabricants donnent la priorité aux gros clients (centres de données, grandes entreprises) et beaucoup moins au grand public, ce qui crée des tensions sur le marché du matériel.⁴

5) Entraînement vs utilisation au quotidien

On peut distinguer deux phases :

• l’entraînement : très coûteux en temps, en électricité et en matériel ; c’est là qu’on ajuste tous les paramètres du modèle ;
• l’utilisation (quand je pose une question dans un chat) : beaucoup moins chère qu’un entraînement complet, mais répétée des milliards de fois par jour, donc l’impact global reste important.

3.3 Aujourd’hui en 2025 — les outils qu’on utilise

En 2025, l’IA n’est plus juste un sujet de labo. On la retrouve un peu partout : assistants de texte comme ChatGPT, générateurs d’images, systèmes de recommandation de vidéos, correcteurs orthographiques améliorés, outils de résumé, etc. Une étude sur les usages réels montre que beaucoup de gens s’en servent surtout pour rédiger, résumer, brainstormer et gagner du temps dans leur travail.⁵

Comme élève en informatique, je le vois très concrètement avec des outils comme GitHub Copilot. Il s’intègre dans l’éditeur de code et propose des complétions ou des fonctions entières à partir de quelques lignes ou d’un commentaire. Je tape moins de code « à la main », mais je dois lire, comprendre et vérifier ce que l’IA me propose. La manière de coder change complètement.

L’IA débarque aussi dans des domaines plus « classiques ». Par exemple, dans le secteur de la construction, on commence à l’utiliser pour optimiser des plans, surveiller des chantiers ou détecter des problèmes potentiels plus tôt, ce qui change peu à peu la manière de travailler sur le terrain.⁶

Pour ce TPA, j’utilise moi-même l’IA comme outil de travail. Par exemple pour m’aider à reformuler certains passages, à structurer mes idées ou à vérifier des explications techniques. Mais au final, je dois toujours relire, corriger, et adapter pour que le texte me ressemble et reste compréhensible pour quelqu’un qui n’est pas forcément du milieu de l'informatique.

3.4 Limites et risques techniques

Même si les résultats sont parfois impressionnants, les IA ont des limites techniques importantes. Ce ne sont pas des humains dans une boîte, mais des modèles qui complètent du texte en fonction de ce qu’ils ont vu pendant l’entraînement.

• Erreurs et hallucinations (réponses inventées mais plausibles) : le modèle peut inventer des faits ou donner des réponses fausses avec beaucoup de confiance. Dans certains domaines sensibles (comme la santé mentale), on a déjà vu des exemples où des jeunes suivent des conseils d’IA de manière très sérieuse, ce qui peut être dangereux voire dramatique.⁷
• Bugs et usages illégaux : du code généré automatiquement peut contenir des failles de sécurité, des erreurs logiques ou réutiliser du code protégé. Si on ne relit pas, on peut se retrouver avec des applications instables ou qui posent des problèmes juridiques.
• Consommation d’électricité : l’infrastructure nécessaire (entraînement + usage au quotidien) consomme beaucoup d’énergie et a un impact réel sur le climat, même si on ne le voit pas quand on tape une simple question dans un chat.³
• Biais (tendances à produire des réponses orientées ou injustes) et influence de la culture : si les données d’entraînement sont biaisées, les réponses le seront aussi. Des autorités comme la CNIL rappellent que certains algorithmes peuvent discriminer sans que ce soit volontaire, juste à cause des données ou du design du système.⁸

Au final, les choix techniques ne sont jamais neutres : ils dépendent de priorités (performance, coût, sécurité, image de marque, etc.). Comme l’IA est utilisée par des millions de personnes, ces choix ont des effets très concrets sur ce que le modèle accepte ou refuse de dire.

C’est ce qui mène directement au chapitre suivant : qui décide de ce qui est autorisé ou interdit ? Comment se construisent les règles de modération, et qu’est-ce que ça change dans les réponses qu’on reçoit ? C’est le cœur de l’axe politique / légal.

Introduction — Une IA ne répond pas librement

Dans le chapitre 1, on a vu que des choix techniques (données, entraînement, taille du modèle, etc.) peuvent déjà changer la qualité d’une IA. Mais il existe un autre facteur, souvent invisible : les règles autour du modèle.

Quand on discute avec une IA, on peut avoir l’impression qu’elle « répond librement ». En réalité, une réponse est toujours influencée par plusieurs couches : ce que le modèle a appris pendant l’entraînement, mais aussi des règles (sécurité, légalité, politique de la plateforme, règles d’entreprise) qui peuvent filtrer, reformuler ou bloquer certains contenus.

C’est pour ça que deux IA différentes (ou la même IA avec des réglages différents) peuvent répondre de manière très différente à une question identique. Dans ce chapitre, je cherche donc à comprendre : qui décide des limites, et ce que cela change concrètement pour l’utilisateur.

4.1 L’égalité : biais, censure, justice

Si les données d’entraînement contiennent des biais, le modèle va naturellement reproduire ces biais. La modération essaie de corriger une partie du problème, mais elle peut aussi être perçue comme une forme de censure, selon le contexte.

La question de l’égalité est centrale : certaines personnes ou certains sujets sont-ils traités différemment ? Les règles sont-elles les mêmes partout ? Des autorités comme la CNIL rappellent que certains systèmes peuvent renforcer des discriminations, et qu’il faut des mesures de prévention et de transparence. ⁹

Pour illustrer concrètement comment la modération peut modifier une réponse (voire la bloquer), voici un petit exemple basé sur un cas réel souvent cité : le chatbot DeepSeek.

Exemple concret : DeepSeek et les sujets sensibles (Ouïghours)

Un exemple qui montre bien l’effet de la modération, c’est le cas de DeepSeek. C’est une IA chinoise récente, souvent présentée comme une « réponse » à ChatGPT, avec un modèle conversationnel utilisé par le grand public. ¹⁰ Plusieurs tests publiés dans la presse francophone indiquent que, sur des sujets politiques sensibles (par exemple Taïwan, Tian’anmen, Xinjiang / Ouïghours), le chatbot peut éviter la question ou refuser de répondre. ¹¹

J’ai d’ailleurs rencontré un cas similaire en classe : un camarade avait installé DeepSeek en ligne de commande, c’est-à-dire qu’il l’utilisait dans une interface très simple, uniquement en texte, sans « vraie application » graphique (un peu comme les terminaux qu’on voit dans certains films). Voici une illustration ci-dessous de deux terminaux dans lesquels j’ai installé une IA pour l’exemple :

Ce qui était marquant, c’est le comportement « en deux temps ». Aujourd’hui, certaines IA ne répondent plus uniquement « d’un coup » : elles passent par une phase de raisonnement (ou d’étapes internes) avant d’afficher la réponse finale. Dans notre cas, on voyait apparaître des éléments liés aux Ouïghours pendant cette phase… puis, juste avant la fin, DeepSeek basculait soudain sur un message de refus du type : « je ne peux pas répondre à ce sujet ». Des tests publics décrivent aussi ce type de filtrage « au dernier moment ». ¹²

Cet exemple rend la chose très concrète : la modération ne change pas seulement le ton, elle peut aussi bloquer ou remplacer une réponse, selon des règles imposées autour de l’outil.

Pour prolonger cette idée, je propose une petite démonstration interactive. Comme dans le chapitre 1 (où l’on voyait comment des choix techniques peuvent influencer une IA), l’objectif est maintenant d’observer l’effet des règles de modération.

L’idée est simple : on repart de la même « mini-IA » construite plus haut, mais cette fois on change son niveau de filtrage. Selon le profil choisi, l’IA sera plus ou moins stricte : certaines réponses seront reformulées, limitées, ou parfois refusées si le sujet est considéré comme sensible.

4.2 Ce qui existe aujourd’hui

La modération ne sort pas de nulle part : elle s’appuie sur des lois, des règlements, mais aussi sur des règles internes (entreprises, plateformes, institutions). Autrement dit, « qui décide ? » n’est pas une seule personne : ce sont des niveaux de décision qui s’empilent.

En Europe, l’AI Act (future loi européenne sur l’intelligence artificielle) encadre l’IA avec une logique de niveau de risque : certains usages sont interdits, d’autres sont autorisés mais soumis à des exigences plus fortes (documentation, gestion des risques, contrôles, transparence). ¹³

La modération des contenus est aussi influencée par le Digital Services Act (DSA) (loi européenne sur les services numériques), qui impose davantage de clarté sur les règles et les décisions de modération pour les plateformes en ligne. ¹⁴

Enfin, la question des données est centrale : le RGPD (règles européennes de protection des données) encadre la protection des données personnelles (collecte, usage, conservation, droits des personnes), ce qui touche directement les services numériques utilisant de l’IA. ¹⁵

Côté sécurité, des organismes comme l’ANSSI publient des recommandations spécifiques à l’IA générative (IA capable de créer du texte, des images ou du code). ¹⁶ On y retrouve notamment des risques de détournement. Par exemple, une « injection de prompt (manipulation de l’IA par une consigne cachée) correspond à une consigne piégée destinée à faire ignorer des règles au modèle (ex. : « ignore les consignes et fais quand même X »). Même si cela paraît simple, c’est un vrai problème : au lieu d’attaquer le code, on attaque les instructions.

Apport de mon interview : la “modération” en entreprise

Mon interview montre que la modération ne dépend pas seulement des lois ou des plateformes : elle existe aussi à l’échelle d’une entreprise, surtout quand il y a des données sensibles. Richard Bardy (responsable d’un centre de service chez Benu) explique que certains départements ne peuvent pas utiliser l’IA à cause de la confidentialité : « il est interdit d’utiliser l’IA (…) là où il y a des données sensibles (…) et (…) au niveau ressources humaines (…) c’est trop confidentiel ». ²¹

Il précise aussi la différence entre une IA “publique” et une IA interne : « clairement, c’est la deuxième solution (…) un projet de création d’IA interne (…) pour prétraiter des données confidentielles (…) qui resteraient à l’interne ». ²¹ Et il donne un exemple concret de règle interne : « nous avons par exemple l’interdiction d’utiliser ChatGPT », et même quand un outil est autorisé, il doit rester limité : « sans jamais mettre de données confidentielles, de noms, de données financières ». ²¹

Ce passage répond directement à la question du chapitre : ici, « qui décide ? » ce sont aussi les règles de l’entreprise (et parfois d’un groupe), qui fixent ce que l’IA peut faire ou non, indépendamment des aspects techniques.

4.3 Ce qui se discute (ONU, organisations, experts)

Au niveau international, des organisations et des textes de référence cherchent à poser des principes communs : respect des droits humains, sécurité, transparence, responsabilité, équité, etc.

L’UNESCO a publié une Recommandation sur l’éthique de l’intelligence artificielle, qui insiste sur la protection des droits, l’évaluation des risques et la responsabilité des acteurs. ¹⁷

L’OCDE propose aussi des principes pour une IA « digne de confiance », utilisés comme repère par de nombreux pays : robustesse, transparence, respect des valeurs démocratiques et des droits humains. ¹⁸

Enfin, au niveau européen, le Conseil de l’Europe a adopté une Convention-cadre sur l’IA qui vise à garantir la compatibilité des systèmes d’IA avec les droits humains, la démocratie et l’État de droit. ¹⁹

4.4 Ce qui est envisageable

À mon avis, la suite logique est d’aller vers des règles plus lisibles et plus vérifiables : renforcer les audits indépendants des modèles, exiger davantage de transparence sur les données et les critères de modération, et améliorer l’information donnée à l’utilisateur lorsqu’une réponse est refusée (pour comprendre quelle règle s’applique).

Il reste aussi des usages où des limites plus strictes semblent nécessaires, notamment quand l’IA intervient dans des domaines à haut risque (sécurité, santé, justice, surveillance, etc.).

L’interview apporte aussi une idée très concrète : dans certains contextes, la modération peut se traduire par un “cadre de comportement” simple, pensé pour éviter les erreurs et protéger les données. Richard Bardy propose par exemple des règles claires pour un chatbot en entreprise : « Ne jamais transmettre de données confidentielles. Ne jamais transmettre de données financières. Répondre toujours de manière positive et polie (…) faire le plus court possible (…) rester factuel ». ²¹

En Suisse aussi, on voit cette logique apparaître : la Confédération présente ses travaux et stratégies autour de l’IA, notamment pour l’administration fédérale. ²⁰

Pour conclure comme au chapitre 1 : derrière une technologie, il y a toujours des choix. Ici, ce ne sont plus seulement des choix techniques, mais aussi des choix politiques, juridiques et organisationnels. Et ces décisions ont des impacts directs sur l’usage de l’IA… y compris sur son coût environnemental, ce qui prépare le chapitre suivant.

5.1 Impact écologique : ce qu’on ne voit pas derrière l’écran

Quand on utilise une IA, on a facilement l’impression que “ça ne consomme presque rien”, parce qu’on ne voit qu’une interface propre, un champ de texte et une réponse qui arrive. Pourtant, derrière cette apparente simplicité, il y a toute une chaîne technique : mon appareil, le réseau, des serveurs, des systèmes de refroidissement, et parfois de très gros centres de données spécialisés. L’impact environnemental de l’IA ne vient donc pas d’un seul endroit, mais d’un ensemble d’infrastructures qui consomment de l’électricité, mobilisent du matériel électronique et nécessitent aussi des ressources pour fonctionner.²²

Je trouve important de préciser tout de suite un point : l’IA n’est pas un “problème à part” totalement séparé du reste du numérique. Elle s’ajoute à un monde déjà très numérisé, dans lequel le streaming, le cloud, les réseaux sociaux ou encore le stockage de données consomment déjà des ressources. La vraie question n’est donc pas seulement “est-ce que l’IA pollue ?”, mais plutôt : qu’est-ce qu’elle ajoute comme charge supplémentaire, et dans quels usages cette charge est-elle vraiment justifiée.²⁹

Pour comprendre cet impact, je trouve utile de distinguer trois niveaux. D’abord, il y a le terminal de l’utilisateur : ordinateur, smartphone, écran, box internet. Ensuite, il y a le réseau, qui transporte les données. Enfin, il y a les serveurs et les data centers, qui stockent les fichiers, exécutent les calculs et doivent être refroidis. Avec l’IA générative (IA capable de créer du texte, des images ou du code), cette troisième couche prend encore plus d’importance, car produire une réponse ou générer une image demande davantage de calculs qu’un simple affichage de page web.²²

Il faut aussi distinguer l’entraînement et l’utilisation. L’entraînement d’un grand modèle est très lourd, car il demande énormément de calculs pendant une période donnée. Ensuite, il y a l’usage quotidien : chaque requête est beaucoup plus petite qu’un entraînement complet, mais elle est répétée à très grande échelle. C’est justement ce décalage qui rend le sujet intéressant : une seule utilisation paraît minuscule, mais multipliée par des millions de personnes, elle finit par représenter quelque chose de réel.²²

C’est cette idée que je cherche à rendre visible dans mon site avec la Démo 3. Le but n’est pas de faire peur avec de très gros chiffres, mais de montrer concrètement qu’une visite web et surtout des appels à l’IA ne sont pas “gratuits”. Même si l’utilisateur ne voit qu’un graphique ou un compteur, derrière il y a bien des données transférées, de l’énergie consommée et un coût qui augmente au fur et à mesure de l’utilisation.

5.2 Une technologie utile, mais pas écologiquement neutre

À mon avis, l’erreur serait de dire soit “l’IA est géniale donc ce n’est pas grave”, soit “l’IA détruit la planète donc il faut tout arrêter”. La réalité est plus nuancée. Oui, l’IA a un coût environnemental réel. Mais oui aussi, elle peut être utile dans certains cas, par exemple pour optimiser certains systèmes, aider à analyser des données, améliorer des outils de travail ou automatiser des tâches répétitives. Le sujet n’est donc pas seulement écologique : il est aussi lié à la valeur réelle de l’usage.²²

Cette nuance rejoint aussi l’idée générale de la vidéo AI is destroying the ENVIRONMENT?!, que j’ai utilisée comme point de départ de réflexion pour ce chapitre : éviter les raccourcis trop simples, replacer l’IA dans l’ensemble du numérique, et distinguer les usages utiles des usages plus gadget.³⁰

C’est là qu’entre en jeu une question que je trouve importante : est-ce qu’on utilise l’IA pour quelque chose d’utile, ou juste parce que c’est possible ? Si une IA permet de gagner du temps ou d’éviter du gaspillage, son coût ne se discute pas de la même manière que si elle sert à produire à la chaîne du contenu peu utile. L’impact environnemental ne peut donc pas être séparé de la finalité.²⁹

Il existe aussi ce qu’on appelle l’effet rebond (quand un gain d’efficacité augmente finalement l’usage). Si une technologie rend une tâche plus facile, plus rapide ou plus accessible, on a tendance à l’utiliser davantage. Donc même si une utilisation individuelle devient plus efficace, la consommation totale peut quand même augmenter parce qu’on multiplie les requêtes, les contenus et les automatismes. Dans le cas de l’IA générative, ce risque est important : plus c’est facile de demander, générer, résumer ou reformuler, plus on risque d’en faire souvent, y compris pour des tâches peu nécessaires.²²

Je trouve aussi qu’il faut éviter une autre confusion : l’IA n’est pas seule responsable de l’impact du numérique. Mais ce n’est pas une raison pour l’ignorer. Dire “internet consomme déjà” ne change pas le fait que l’IA ajoute une pression supplémentaire sur les infrastructures. Le bon raisonnement n’est donc ni de la diaboliser, ni de la banaliser, mais de la replacer dans l’ensemble du numérique.

Dans mon TPA, je préfère donc défendre une position simple : l’IA n’est pas écologiquement neutre, mais elle n’est pas non plus un mal absolu. Tout dépend des usages, de l’échelle, du modèle choisi et de la manière dont on s’en sert. C’est pour cela que ma Démo 3 ne cherche pas à donner une “sentence” contre l’IA, mais plutôt à rendre visible un coût qui reste normalement invisible.

5.3 Estimations, ordres de grandeur et lecture de la Démo 3

L’un des problèmes de ce sujet, c’est qu’on voit souvent circuler des chiffres très impressionnants, mais pas toujours bien expliqués. Or, mesurer précisément l’impact écologique d’une requête IA est difficile. Cela dépend du modèle utilisé, de la longueur du prompt (la consigne donnée à l’IA), de la longueur de la réponse, du matériel, du réseau, du centre de données et même du moment où la requête est faite. C’est pour ça que, dans ce chapitre, je préfère parler d’ordres de grandeur et d’estimations transparentes plutôt que de prétendre donner un chiffre parfait.²²

C’est exactement la logique de ma Démo 3 — “Ma visite”. Le graphique ne prétend pas mesurer scientifiquement, au watt près, la consommation réelle de toute l’infrastructure. Il sert plutôt à produire une estimation pédagogique basée sur des éléments concrets observables dans la visite du site. L’idée est de montrer une évolution progressive pendant la navigation, puis des hausses plus visibles quand des appels à l’IA ont lieu.

Concrètement, l’algorithme de la démo repose sur trois grandes familles d’informations. D’abord, il y a le temps passé sur la page, qui permet d’estimer une consommation de base du terminal utilisateur à partir d’une puissance moyenne fixée par défaut. Ensuite, il y a les données transférées, récupérées via les ressources chargées par la page, ce qui permet d’estimer une part liée au réseau. Enfin, il y a les appels IA, qui sont repérés séparément : la démo suit les tokens d’entrée et de sortie (petits morceaux de texte traités par l’IA), le coût estimé de ces requêtes, ainsi que les ressources réseau associées. C’est cette combinaison qui permet d’alimenter les cartes et le graphique.^{25, 27}

Dans la version actuelle, le script démarre un suivi au chargement de la page, enregistre régulièrement des points dans une timeline, puis met à jour les indicateurs visibles : temps écoulé, données transférées, énergie estimée, CO₂e (équivalent CO₂) estimé et coût estimé. Le graphique principal affiche une courbe d’énergie cumulée, une courbe de CO₂e cumulé, ainsi que des marqueurs pour les requêtes IA. Cela permet au lecteur de comprendre que tout ne vient pas du même endroit : il y a un fond de consommation “normal” lié à la visite, puis des ajouts plus visibles lorsque l’IA est utilisée.

Je trouve que ce point est important, parce qu’il évite un discours trop abstrait. Au lieu de simplement écrire “l’IA consomme”, la démo montre qu’il y a déjà une consommation liée au site lui-même, puis que les appels IA viennent s’ajouter à cette base. Autrement dit, le graphique aide à visualiser quelque chose de simple : le numérique consomme déjà, et l’IA ajoute une couche supplémentaire.

Pour la partie “web”, il existe déjà des méthodes reconnues. Par exemple EcoIndex (indicateur de l’impact environnemental d’une page web) s’appuie sur des éléments mesurables comme le poids de la page, le nombre de requêtes et la complexité du DOM (structure interne d’une page web) pour donner un ordre de grandeur. On peut aussi utiliser des modèles comme le Sustainable Web Design Model, notamment via CO2.js, qui part des données transférées pour produire une estimation cohérente.^{23, 25}

Pour la partie “IA”, il faut distinguer deux choses. D’un côté, il y a le coût financier, qui peut être estimé directement car l’API (liaison entre deux services ou logiciels) est facturée au token (petit morceau de texte traité par l’IA). De l’autre, il y a le coût écologique, qui est plus difficile à calculer précisément car l’on ne connaît pas toute l’infrastructure exacte derrière chaque requête. Donc le plus honnête est de parler d’une estimation, fondée sur des hypothèses annoncées clairement, plutôt que de prétendre mesurer une vérité absolue.^{27, 28}

Pour que le résultat parle davantage au lecteur, je convertis aussi certaines valeurs en unités plus compréhensibles, comme le CO₂e (équivalent CO₂) et le coût en CHF. Pour cela, on peut s’appuyer sur des valeurs de référence publiées en Suisse, par exemple pour le mix électrique (origine de l’électricité utilisée dans un pays) ou pour le prix moyen de l’électricité.²⁶

5.4 Comment réduire l’impact sans ruiner la qualité

Ce que je retiens, c’est qu’on peut réduire une partie de l’impact écologique sans devoir renoncer complètement à l’IA. Le plus efficace n’est pas forcément de “supprimer l’IA”, mais souvent de mieux choisir quand et comment l’utiliser. Le vrai levier n’est donc pas seulement technique : il est aussi lié à la sobriété d’usage.²⁴

a) Réduire l’impact côté site web

• Alléger les pages : images compressées, formats modernes, pas de ressources inutiles. Le poids d’une page joue directement sur la quantité de données transférées.²³
• Limiter le nombre de requêtes : éviter de charger des éléments inutiles et faire attention aux scripts externes.²⁴
• Utiliser le cache intelligemment : éviter de retélécharger tout si l’utilisateur revient ou navigue dans le site.²⁵

b) Réduire l’impact côté IA (et garder le côté “utile”)

• Réduire les tokens : demander une réponse plus courte, éviter d’envoyer un contexte énorme si ce n’est pas nécessaire, ne pas multiplier les requêtes pour une tâche triviale.²⁷
• Éviter les doublons : si une question revient souvent, un système de cache peut éviter de refaire les mêmes appels API.
• Choisir l’outil adapté : éviter de “sur-dimensionner” en utilisant un très gros modèle pour une tâche simple.

La Démo 3 peut d’ailleurs aussi servir à faire passer cette idée. En voyant que les indicateurs montent au fil de la visite et que certaines requêtes IA ajoutent un coût identifiable, le lecteur comprend plus facilement qu’optimiser n’est pas juste une obsession technique : c’est aussi une façon de limiter le gaspillage. Le but n’est pas de culpabiliser, mais de montrer que, comme souvent en informatique, ce qu’on mesure devient plus facile à améliorer.

Pour conclure, ce chapitre ne cherche pas à donner un chiffre parfait, mais à rendre visible quelque chose de simple : chaque visite et chaque requête ont un coût.