L’IA générative consomme énormément d’énergie. C’est documenté, chiffré, et de plus en plus difficile à ignorer. L’Agence Internationale de l’Énergie anticipe une multiplication par 10 de la consommation du secteur IA entre 2023 et 2026. Et dans le même temps, les mêmes entreprises se dotent de stratégies de numérique responsable et signent des chartes de sobriété.
Le paradoxe est réel. La question qui suit est pratique : comment y répondre ?
Le problème de l’angle mort
La plupart des démarches de numérique responsable en entreprise se concentrent sur ce qui est visible et maîtrisable : le parc de terminaux, les pratiques utilisateurs, le choix d’hébergement. C’est bien — mais en 2026, ça ne suffit plus.
L’usage des LLMs (ChatGPT, Copilot, Gemini, Claude) est désormais massif dans les équipes tech comme dans les fonctions support. Or cet usage est rarement pris en compte dans les bilans carbone numériques des organisations. Il est souvent hors du périmètre de mesure, externalisé chez des fournisseurs, et difficile à quantifier avec les outils actuels.
L’angle mort est double : on ne mesure pas ce qu’on consomme via l’IA, et on ne compare pas ce qu’on économise (temps humain, itérations supprimées) avec ce qu’on dépense en énergie computationnelle.
La bonne question n’est pas “IA ou sobriété”
Opposer IA et numérique responsable est un faux débat. La vraie question est : quelle IA, pour quoi faire, avec quels critères de choix ?
Un LLM local (Mistral, LLaMA déployé en interne) peut avoir une empreinte bien différente d’un modèle frontier appelé via API à chaque interaction triviale. Une tâche de génération de code qui économise 4 heures de développement peut très bien justifier sa consommation computationnelle — une réponse automatique à un email banal, beaucoup moins.
Les organisations qui avancent sur ce sujet en 2026 adoptent une démarche en trois temps : mesurer l’usage IA réel (volume d’appels, modèles utilisés), estimer l’empreinte associée avec les méthodologies disponibles, et définir des critères d’usage pertinent — non pas pour interdire l’IA, mais pour la concentrer là où elle crée vraiment de la valeur.
Ce que les équipes tech peuvent faire dès maintenant
Plusieurs pratiques émergent dans les équipes les plus avancées :
Préférer les modèles légers pour les tâches simples : un modèle small coûte 10 à 100 fois moins qu’un modèle frontier pour des tâches de classification ou de résumé court. Le choix du modèle est une décision qui a un impact carbone réel.
Mettre en cache les réponses sur les requêtes répétitives : si la même question est posée 500 fois par jour à un LLM, une stratégie de cache peut réduire la consommation de 90 % sans dégrader l’expérience.
Intégrer la consommation IA dans les critères de choix technologique : au même titre que la performance ou la sécurité, l’empreinte computationnelle d’un outil IA mérite d’être évaluée lors de la sélection.
Inclure les usages IA dans le bilan carbone numérique : même de façon imparfaite au départ. La mesure imparfaite crée la conscience, qui crée les bonnes décisions.
Construire une culture cohérente
C’est exactement ce que nous travaillons en formation Numérique responsable — les fondamentaux : articuler les enjeux environnementaux du numérique avec les pratiques concrètes des équipes, y compris dans un contexte d’adoption massive de l’IA.
Le numérique responsable en 2026 ne peut pas faire l’impasse sur l’IA générative. Ce n’est pas une contradiction — c’est une opportunité de développer une approche plus fine, plus systémique, de la sobriété numérique. Les équipes qui s’y attellent maintenant prendront une longueur d’avance réglementaire et culturelle significative.
