La meilleure IA frugale est parfois celle que l'on ne développe pas

Comment définir une IA frugale ?  

L'un des premiers objectifs du référentiel général pour l'IA frugale, publié par l'AFNOR en 2024, était d'établir une définition commune. Un service d'IA est considéré comme frugal lorsque les bénéfices environnementaux qu'il génère sont supérieurs aux impacts liés à son entraînement et à son utilisation. Cette approche dépasse la seule question de la consommation d'un modèle. Prenons l'exemple d'un système d'IA qui optimise les tournées de ramassage scolaire d'une métropole. En réduisant le nombre de kilomètres parcourus par les bus pendant plusieurs années, il permet de diminuer les émissions de CO₂. Ce bénéfice peut être estimé. En revanche, il faut aussi intégrer les émissions liées à l'entraînement du modèle et à son exploitation. Si, sur toute sa durée de vie, le système permet d'éviter 20 tonnes de CO₂ mais en génère 25 pour fonctionner, il ne répond pas à la définition d'un service d'IA frugal. Le référentiel apporte ainsi une grille de lecture commune. Il constitue également la base des travaux européens engagés autour de la future norme Sustainable AI.

Pourquoi la frugalité conduit-elle à repenser certains projets d'IA ?

L'IA frugale commence par une remise en question du besoin. C'est d'ailleurs ce qui a conduit à ajouter une étape de gouvernance dans le référentiel. Avant de développer un modèle, il faut se demander si une solution d'intelligence artificielle est réellement nécessaire. Dans certains cas, un logiciel classique suffit. Dans d'autres, il n'y a même pas besoin de solution technique, revoir une organisation ou former des équipes peut répondre au problème. Si l'usage de l'IA est justifié, une nouvelle question se pose ensuite : faut-il réellement recourir à une IA générative, dont l'impact environnemental est aujourd'hui le plus important parmi les technologies d'IA ? La meilleure IA frugale est parfois celle que l'on ne développe pas. Cette idée ne consiste pas à renoncer à l'innovation, mais à intégrer la frugalité dès la gouvernance des projets. Comme une organisation se fixe un budget financier, elle pourrait aussi définir un budget carbone et rechercher le meilleur niveau de performance compatible avec cette contrainte.

Pourquoi l'IA frugale peine-t-elle encore à trouver sa place dans les organisations ?

Deux ans après la publication du référentiel, sa diffusion progresse mais reste limitée. Dans la cartographie annuelle des fournisseurs innovants en IA réalisée par le Hub France IA, environ 10 à 11 % des acteurs déclarent appliquer les bonnes pratiques du référentiel. Le nombre d'entreprises concernées augmente, mais la proportion reste stable. Les grandes entreprises identifient bien l'intérêt économique de modèles plus légers, notamment parce que les coûts d'exploitation augmentent rapidement lorsqu'un outil est déployé auprès de dizaines de milliers d'utilisateurs. Pour autant, la frugalité reste rarement leur priorité. Du côté des start-up, la difficulté est différente. Beaucoup sont convaincues de l'intérêt de ces pratiques, mais elles subissent une forte pression de mise sur le marché. Développer un système plus frugal demande souvent davantage de temps de conception, alors que la compétitivité impose d'aller vite. La commande publique constitue aujourd'hui l'un des principaux leviers de diffusion. Le ministère de la Transition écologique montre la voie en intégrant progressivement la frugalité parmi les critères d'évaluation des appels à projets IA, en s'appuyant sur le référentiel comme cadre commun.

Pourquoi les TPE et les PME ont-elles encore du mal à intégrer cette logique de frugalité ?

Pour la plupart des petites entreprises, la priorité n'est pas encore la frugalité. Leur préoccupation quotidienne est de développer leur activité, de conserver leurs clients et de financer leur croissance. La majorité des TPE ne disposent d'aucun profil IA en interne. Beaucoup de PME n'en ont pas davantage. Elles doivent pourtant intégrer rapidement ces technologies pour rester compétitives. L'exemple d'une petite agence d'infographie l'illustre. Son dirigeant avait choisi d'attendre quelques mois avant d'adopter l'IA générative. Pendant ce temps, un concurrent local s'est équipé et a multiplié sa capacité de production. Là où il réalisait auparavant quelques projets par mois, il a pu en produire plusieurs dizaines, à un coût inférieur. En quelques mois, il avait capté une partie importante du marché local et l'agence concurrente a dû supprimer un poste. Dans ce contexte, les premières questions portent sur les cas d'usage, le retour sur investissement ou le coût des solutions. La réflexion sur la frugalité intervient beaucoup plus tard dans le parcours d'adoption.

Comment mesurer l'impact environnemental réel d'un projet d'IA ?

La difficulté ne réside pas seulement dans la mesure des émissions de CO₂, mais dans la capacité à isoler précisément les bénéfices produits par un projet. Certaines situations permettent des calculs relativement fiables. L'optimisation de tournées de transport ou de ramassage scolaire peut être traduite en kilomètres évités puis en émissions économisées. En revanche, lorsqu'une IA optimise la consommation d'eau d'une usine ou le chauffage d'un grand bâtiment, il devient beaucoup plus difficile d'attribuer précisément les gains au système d'IA, faute d'indicateurs suffisamment fins. À cette difficulté s'ajoutent les effets rebonds. Une technologie peut améliorer directement une situation tout en produisant indirectement de nouveaux impacts. Si la voiture électrique encourage des usagers à abandonner les transports collectifs au profit de la voiture individuelle, les bénéfices initiaux peuvent être en partie compensés par l'augmentation du nombre de véhicules, des besoins en matériaux et de la consommation électrique. Ces effets restent encore difficiles à anticiper dans les projets d'IA.

En quoi la frugalité devient-elle également un enjeu de souveraineté ?

Les deux sujets sont de plus en plus liés. Face aux investissements consentis par les États-Unis ou la Chine dans les très grands modèles généralistes, l'Europe peut difficilement rivaliser sur le même terrain. En revanche, elle dispose d'une autre voie avec les Small Language Models. Entraînés sur les données propres des organisations, ces modèles sont souvent mieux adaptés aux usages métiers. Ils nécessitent moins de puissance de calcul, réduisent les coûts d'entraînement et d'exploitation et limitent les transferts de données sensibles hors de l'entreprise. La frugalité devient alors une conséquence de cette approche, au même titre que la maîtrise des coûts ou le renforcement de la souveraineté. Les contraintes énergétiques renforcent également cet enjeu. Les besoins croissants des data centers s'ajoutent aux tensions déjà présentes sur les réseaux électriques. Développer des modèles plus spécialisés et moins gourmands en ressources peut permettre de poursuivre le développement de l'IA tout en limitant les besoins en infrastructures.

‍