La sobriété devient une stratégie : ce que valent aujourd'hui les IA qui consomment moins, et les initiatives qui en font déjà une discipline

Le 28 juillet 2026, Apple a brièvement franchi les 5 000 milliards de dollars de capitalisation, après avoir repris à Nvidia la première place mondiale quelques semaines plus tôt. Apple y est parvenue avec la stratégie IA la moins dépensière du secteur, centrée sur le traitement embarqué et sur l'exploitation de son parc de terminaux existant, pendant que Microsoft, Meta, Amazon et Google engagent ensemble de l'ordre de 725 milliards de dollars d'investissements en infrastructure IA sur l'année, en hausse d'environ 77 % sur un an. 

Pendant trois ans, la sobriété a été perçue comme un retard. Les marchés viennent de la revaloriser comme une position. Il serait imprudent d'en tirer une leçon morale sur l'IA responsable, mais il serait tout aussi imprudent de ne pas voir ce que ce signal ouvre pour les organisations qui n'ont ni les capitaux ni l'appétit de la course à l'échelle.

Ce que sobriété veut dire

La sobriété n'est pas le renoncement, et l'IA frugale n'est pas une IA au rabais. Le référentiel AFNOR SPEC 2314, premier document normatif français sur le sujet, la définit comme la réduction des besoins en ressources et des impacts environnementaux associés aux systèmes d'IA, sur l'ensemble de leur cycle de vie.

Il ne de faire de l'IA en mobilisant moins de calcul, moins d'énergie, moins d'eau et moins de données. Formulée ainsi, la sobriété cesse d'être un sujet RSE périphérique pour devenir ce qu'elle est réellement, un sujet d'ingénierie et de contrôle de gestion, avec des effets directs sur la ligne budgétaire qui croît le plus vite chez la plupart de nos clients : le coût d'inférence.

Première initiative de référence : l'AFNOR SPEC 2314

Publiée en juin 2024, elle est le fruit de six mois de travaux collaboratifs réunissant environ 150 contributeurs issus des entreprises, de la recherche, des associations et des administrations, sous le pilotage de l'Ecolab du Commissariat général au développement durable, en partenariat avec l'Association française de normalisation. Sa structure est directement exploitable : un socle de définitions, une méthodologie d'évaluation par indicateurs environnementaux, et 31 bonnes pratiques opérationnelles.

Deux d'entre elles méritent d'être signalées à tout dirigeant, parce qu'elles ne sont pas techniques : la qualification préalable des usages (autrement dit, vérifier qu'un système d'IA est bien la réponse appropriée au problème posé) et l'acculturation des équipes à la frugalité. Le référentiel renvoie par ailleurs vers des outils de mesure concrets, CodeCarbon et CarbonTracker pour la consommation des programmes, EcoLogits pour l'estimation des appels d'IA générative via API.

Deuxième initiative : l'AI Energy Score de Hugging Face. Lancée en février 2025 lors du sommet pour l'action sur l'IA à Paris, elle applique à l'IA le principe des étiquettes énergétiques de l'électroménager : un classement public de 1 à 5 étoiles, adossé à un protocole de mesure standardisé.

Le classement couvre aujourd'hui 166 modèles sur une dizaine de tâches (génération de texte, génération d'images, résumé, entre autres), et inclut les familles les plus répandues, dont LLaMa, Phi, Gemma, Mistral et SmolLM.

Une deuxième version a étendu la couverture aux modèles de raisonnement, dont la consommation par requête change les ordres de grandeur. L'intérêt pratique est immédiat : pour la première fois, un architecte peut arbitrer entre deux modèles sur un critère énergétique documenté, et non sur une intuition ou sur un argumentaire fournisseur.

Troisième initiative : l'analyse de cycle de vie publiée par Mistral. Conduite avec l'ADEME et le cabinet Carbone 4, elle constitue l'un des rares exercices de transparence complets menés par un laboratoire sur son propre modèle. Les ordres de grandeur publiés pour Mistral Large 2, après dix-huit mois d'usage, sont de 20,4 kilotonnes équivalent CO2, 281 000 mètres cubes d'eau et 660 kilogrammes équivalent antimoine sur les ressources abiotiques. À l'échelle d'une requête de 400 tokens, cela représente 1,14 gramme équivalent CO2 et 45 millilitres d'eau.

Ces chiffres ont deux vertus. Ils sont sobres, au sens propre : ni catastrophistes ni rassurants. Et ils sont comparables, ce qui est la condition de toute décision rationnelle. Une organisation qui multiplie les requêtes par des centaines de milliers dans ses processus dispose désormais d'une base pour estimer ce que cela représente, au lieu de le deviner.

Quatrième mouvement : la normalisation en cours, qui va rendre la mesure exigible. Le code de bonnes pratiques adossé à l'AI Act appelle explicitement à un référentiel de mesure énergétique de l'inférence, et des organisations comme l'IEEE ou la Green Software Foundation travaillent à une méthode standardisée de mesure de la consommation et des émissions. Google a de son côté publié une méthodologie de mesure de l'impact environnemental de ses services d'IA à grande échelle. La trajectoire est claire, et elle ressemble à celle qu'a suivie le reporting extra-financier : ce qui commence comme une publication volontaire différenciante devient une attente de marché, puis une obligation documentée. Les organisations qui installent la mesure aujourd'hui ne font pas de la communication, elles prennent une avance de conformité.

Cinquième mouvement, le plus structurant techniquement : le déplacement vers les petits modèles et l'embarqué. La stratégie d'Apple en est l'illustration la plus visible, mais elle n'est pas isolée. Les familles de petits modèles de langage, les modèles à espace d'états et les modèles conçus pour l'exécution sur terminal permettent de traiter localement une part croissante des cas d'usage, sans aller-retour vers un centre de données. Le gain n'est pas seulement énergétique : il est aussi de latence, de coût unitaire, de confidentialité et de résilience, puisqu'un traitement local continue de fonctionner quand la liaison ne fonctionne plus. C'est le point qui intéresse le plus nos clients en secteur régulé : la sobriété et la souveraineté empruntent souvent le même chemin technique, ce qui permet de financer une seule décision d'architecture avec deux justifications distinctes.

Qualifier l'usage avant de choisir le modèle.

Une part significative des cas d'usage que nous rencontrons en cadrage sont traités par un grand modèle génératif alors qu'une règle métier, une recherche plein texte ou un modèle statistique classique produirait un résultat équivalent, plus rapide, moins cher, plus explicable et plus facile à auditer.

L'AFNOR SPEC 2314 en fait une bonne pratique explicite, et nous en faisons une porte de qualité dans la phase de cadrage : aucun cas d'usage ne passe en phase de vision sans que l'alternative non générative ait été examinée et documentée. Cette seule discipline retire, dans notre expérience, entre un cinquième et un tiers des cas d'usage du périmètre génératif, sans rien retirer à la valeur créée.

Comment cela s'inscrit dans le pilier Résilience de la transformation intelligente

Dans le cadre Meridian, la sobriété n'est pas un pilier séparé, et c'est volontaire. Elle se rattache à la résilience, qui consiste à tenir et à durer, et à la rigueur financière du business case. Un système d'IA dont le coût unitaire d'exécution n'est pas maîtrisé n'est pas seulement coûteux, il est fragile : il dépend d'hypothèses de prix, de disponibilité de calcul et de politique tarifaire fournisseur sur lesquelles l'organisation n'a aucune prise. Nous intégrons donc la consommation énergétique et le coût unitaire d'inférence dans le business case au même titre que la productivité gagnée, en distinguant les gains tangibles (coût évité, calcul économisé) des gains intangibles (exposition réglementaire réduite, attractivité employeur, crédibilité RSE). Les premiers justifient l'investissement, les seconds le renforcent.

Le piège à éviter absolument : la sobriété déclarative. Nous voyons se multiplier les engagements d'IA frugale qui ne sont adossés à aucune mesure. Ils sont pires qu'inutiles, parce qu'ils occupent la place d'une démarche réelle et qu'ils exposent l'organisation à un risque réputationnel croissant à mesure que les référentiels de mesure se standardisent.

Le test est simple et nous le posons systématiquement en diagnostic : votre organisation est-elle capable de dire, pour son cas d'usage IA le plus utilisé, combien de requêtes il génère par mois, quel modèle les traite, et ce que cela représente en coût et en consommation ? Si la réponse existe, la démarche est réelle. Si elle n'existe pas, ce qui est le cas le plus fréquent, alors la première action n'est pas de réduire, elle est de mesurer.

Ce que le signal Apple dit vraiment, et ce qu'il ne dit pas. Il ne dit pas qu'Apple mène une politique d'IA responsable exemplaire, et il serait naïf de le lire ainsi : l'entreprise a aussi accumulé un retard fonctionnel que ses concurrents lui reprochent, et sa stratégie tient autant à sa position de distribution qu'à une conviction environnementale. Il dit autre chose, de plus utile : que la sobriété a cessé d'être une position par défaut de ceux qui n'ont pas les moyens, pour devenir une position défendable devant un marché.

Pour la plupart des organisations européennes, qui n'entreront jamais dans la course aux 725 milliards de dollars, c'est une nouvelle importante. La question n'est plus « comment rattraper », elle est « comment obtenir le même effet métier en mobilisant un ordre de grandeur de ressources en moins ». C'est une question d'architecture, de qualification des usages et de discipline de mesure, trois domaines où la taille du bilan compte beaucoup moins que la qualité de la méthode.

En pratique, par quoi commencer 

Trois actions, dans cet ordre :

1. Mesurer : instrumenter vos cas d'usage IA les plus volumineux avec un outil de mesure (CodeCarbon, CarbonTracker, EcoLogits selon l'architecture) et publier le résultat en interne, sans commentaire, pendant un trimestre.

2. Qualifier : réexaminer les dix cas d'usage les plus consommateurs à l'aune d'une seule question, une alternative non générative produirait-elle un résultat suffisant, et documenter la réponse même quand elle est négative.

3. Arbitrer : introduire le score énergétique et le coût unitaire d'inférence dans vos critères de sélection de modèles, au même niveau que la performance fonctionnelle. Aucune de ces trois actions ne nécessite un budget significatif. Toutes les trois nécessitent qu'un responsable soit nommé, ce qui est, comme souvent, le vrai point de blocage.