Dans ce nouvel épisode de Logique Floue, William Ledoux (SpirOps) et Amiel Sitruk (Terra-Cognita) s'interrogent sur une question incontournable : quel est le véritable coût environnemental de l'intelligence artificielle ?
Alors que les modèles d'IA générative se développent à une vitesse fulgurante, leurs besoins en énergie, en eau, en infrastructures et en ressources matérielles explosent. Mais mesurer précisément cet impact reste difficile : les principaux acteurs du secteur communiquent peu sur leurs consommations réelles et les chiffres évoluent constamment.
Les deux invités décryptent les différentes composantes de cette empreinte : fabrication des puces électroniques, construction et refroidissement des data centers, entraînement des modèles, consommation électrique ou encore dépendance à des infrastructures de plus en plus stratégiques.
Ils questionnent également le modèle actuel de développement de l'IA générative, fondé sur une logique de croissance permanente : toujours plus de données, toujours plus de calculs, toujours plus d'usages.
Mais l'objectif de cet épisode n'est pas seulement de dresser un constat.
William Ledoux et Amiel Sitruk explorent des pistes concrètes pour concevoir et utiliser des systèmes plus sobres :
Au cœur de leur réflexion se trouve une idée simple : la meilleure IA n'est pas forcément la plus puissante, mais celle qui répond réellement à un besoin donné avec le minimum de ressources nécessaires.
[00:08] Carole :
Bonjour à tous les deux. Amiel, est-ce que tu pourrais commencer par nous expliquer ce que vous faites chez Terra-Cognita ?
[00:14] Amiel Sitruk :
Terra-Cognita, nous, on est un cabinet d'ingénierie en IA frugale. C'est-à-dire qu'on cherche à faire des IA avec une empreinte environnementale qui est maîtrisée. Il y a plusieurs techniques pour ça et on pourra y venir plus en détail, je pense, dans le cours de la discussion.
[00:29] Carole :
Tout à fait. Peut-être on pourrait faire un petit point aujourd'hui sur ces fameux impacts environnementaux - dont on parle beaucoup - de l'IA. Est-ce qu'en fait aujourd'hui on a une vision concrète de ce que c'est ces impacts et ce que ça donne et de ce que ça va donner, évidemment ?
[00:44] Amiel Sitruk :
Alors c'est deux choses très différentes déjà ce que ça donne et ce que ça va donner parce qu'il y a une croissance qui est très large. C'est difficile de savoir parce que les acteurs principaux ne sont pas très ouverts. En gros il y a beaucoup d'opacité des acteurs principaux. Mais grosso modo à l'heure actuelle, il y a plusieurs impacts sur l'électricité. Il y a une tension sur les réseaux électriques. Il y a l'empreinte environnementale, l'empreinte carbone, évidemment, qui est importante. Il y a aussi un impact sur l'eau et sur les matériaux abiotiques, c'est-à-dire tout ce qui est terre rare, etc. En terme d'impact, on estime, je crois actuellement, que c'est l'équivalent de la consommation électrique de l'Égypte. C'est quand même déjà un pays, c'est le 25ème je crois, c'est pas rien. En terme d'empreinte carbone, il me semble que c'est à peu près équivalent, d'après un papier qui fait un peu référence, à celle de la ville de New York, dans tous ses usages. C'est quand même des millions, des millions de personnes sur beaucoup, beaucoup d'usages. Et sur l'eau, un chiffre qui revient assez souvent, c'est que c'est équivalent à la consommation annuelle d'eau en bouteille.
[01:45] Carole :
D'accord.
[01:46] Amiel Sitruk :
Pour imaginer un peu une deuxième humanité, enfin en tout cas pour la consommation d'eau en bouteille qui n'est pas la consommation totale d'eau évidemment. Mais ça avance très vite en fait, c'est surtout ça la chose qu'il y a à retenir, c'est que ça avance très vite. Ça a doublé je crois en 2025, et donc les chiffres actuels, qui sont déjà un peu approximatifs, ils sont faux dans un an, peut-être même dans six mois.
[02:05] Carole :
D'accord. Mais juste pour comprendre, cet impact-là dont tu parles là, c'est l'impact des usages de clients ?
[02:09] Amiel Sitruk :
C'est l'IA en général. C'est-à-dire que comment on compte: on regarde les data centers, (il y a plusieurs façons de compter, mais c'est notamment ça qui est retenu) on estime par des méthodes un peu indirectes quelle est la quantité - en quelle proportion - l'IA est utilisée dans ces data centers. Et ça permet de faire des estimations sur ces aspects-là. C'est en plus un peu compliqué parce que si on veut faire les choses bien, on ne doit pas tenir compte uniquement de ce qui se passe dans le data center. J'ai parlé de l'eau par exemple parce que l 'eau est utilisée dans le refroidissement des data centers. Mais il y a aussi en amont pas mal de choses qui se passent sur la fabrication des puces électroniques pour l'eau, pour l'électricité, pour les matériaux abiotiques dont j'ai parlé.
Et donc ça, ce sont des choses qui ne sont pas forcément prises dans le scope. Donc l'idée, c'est que comme on prend les data centers et qu'on regarde quelle est la part de l'IA dans ces consommations-là, ça mélange un peu tout, pour répondre à ta question, mais par contre, on ne prend pas tout en compte. Donc encore une fois, moi je suis hyper prudent sur les chiffres, je pense qu'on a des ordres de grandeur, et c'est assez pour commencer à agir, en revanche, c'est pas forcément, il ne faut pas prendre les choses de manière absolue, et surtout il ne faut pas penser que c'est vrai dans 6 mois, 1 an, 2 ans.
[03:22] Carole :
Bien sûr.
[03:24] William Ledoux :
Par rapport à l'empreinte carbone, les chiffres que j'avais vus, par exemple aux Etats-Unis, c'était que pour raccorder un nouveau data center au réseau électrique, il y avait des listes d'attente de 4 à 7 ans. Ils n'ont pas ce temps-là, donc, ce qu'ils font, c'est qu'ils achètent des turbines à gaz pour faire les data centers. Donc, quand on dit ça va évoluer, oui, ça va évoluer et pas forcément avec des énergies qui sont vertueuses. Et il y a des gros écarts forcément sur l'endroit où tournent les IA, où tournent les entraînements, parce que l'empreinte carbone de l'électricité n'est pas du tout la même, pas du tout bien répartie sur le territoire.
[04:04] Amiel Sitruk :
Ça c'est un point hyper important, ça change beaucoup et effectivement il y a quand même beaucoup de data centers qui s'ouvrent aux Etats-Unis, dans des régions où ce qu'on va ouvrir, comme tu l'as dit, c'est du gaz, une énergie qui est très carbonée. Et voilà, c'est un point important.
[04:17] William Ledoux :
Et donc, du coup, par rapport à notre électricité à nous, c'est un facteur 5 à 20. On doit être entre moins de 100 grammes, entre 20 et 60 grammes du kilowattheure. Et aux États-Unis, ils sont à 390 kilos par kilowattheure, pour donner une idée un peu.
[04:35] Carole :
Et les data centers sont plutôt aux États-Unis ?
[04:37] Amiel Sitruk :
Il y en a beaucoup. Beaucoup, beaucoup. Alors ça construit un peu partout, mais beaucoup, notamment chez les cloud providers principaux. Sur l'eau aussi, c'est assez intéressant parce qu'il y a beaucoup de zones où ils construisent qui sont déjà sous tension. Donc au-delà même de l'aspect carbone, il y a aussi localement des problèmes qui commencent à se poser ou qui vont se poser rapidement sur des conflits d'usage liés à l'eau.
[05:00] Carole :
Où est-ce que ça consomme en fait ? Est-ce qu'on peut faire la chaîne de consommation ?
[05:05] Amiel Sitruk :
Pour vraiment être sérieux sur ces analyses-là, il ne faut pas tenir compte uniquement de ce qui se passe au moment où on fait la requête. Il y a tout l'amont qui est important, donc il y a la fabrication des puces. Les puces qui sont utilisées pour l'IA, elles sont très consommatrices. Les data centers spécialisés dans l'IA, ils sont 4 à 5 fois plus consommateurs que les data centers généralistes, notamment parce qu'il faut construire et ensuite utiliser les GPU, ces cartes graphiques, originellement plutôt pour le traitement vidéo et le jeu vidéo, qui maintenant sont très utilisées pour l'IA. Et donc voilà, ça il y a tout l'amont à tenir compte. On doit faire une analyse de cycle de vie où on voit la fabrication, le transport, la fin de vie même, et évidemment, la chose à laquelle on pense en premier, qui est l'utilisation, ce qui dans le domaine de l'IA on parle de l'inférence.
Pour l'IA, il y a aussi un autre aspect qui est important, c'est qu'il a fallu fabriquer ces modèles d'IA. Donc il y a bien les composants qui servent à faire tourner le modèle d'IA, mais il y a aussi la fabrication des modèles d'IA. L'IA actuelle, l'IA générative, elle est basée sur un principe qui s'appelle le machine learning, qui consiste à donner beaucoup de données à une IA et à lui faire apprendre des patterns, des règles. Et cette étape-là, qui n'est pas encore une fois au moment de l'inférence, au moment d'utilisation, elle est très consommatrice et elle est nécessaire. Là aussi, on n'a pas beaucoup de transparence, mais c'est aussi quelque chose à prendre en compte. Il y a plusieurs aspects, à la fois dans la fabrication, l'utilisation du matériel et dans la fabrication de l'IA.
[06:29] Carole :
Ça, c'est ce qu'on appelle l'entraînement, c'est ça ?
[06:31] Amiel Sitruk :
Oui, c'est l'entraînement, exactement.
[06:33] William Ledoux :
Ce qui se passe sur l'ordinateur de l'utilisateur, c'est négligeable. Le fait d'envoyer la requête, c'est rien. Ce qui est coûteux, c'est l'inférence et la construction du modèle. Et moi, la construction du modèle, j'avais vu des chiffres de l'ordre de 100 mégawatts pendant six mois en continu.
[06:51] Amiel Sitruk :
C'est des chiffres énormes.
[06:52] William Ledoux :
C'est énorme.
[06:53] Carole :
Ça veut dire quoi, par exemple ? Parce que moi, j'ai du mal à me rendre compte.
[06:56] William Ledoux :
C'est un dixième d'un coeur de réacteur nucléaire pendant six mois. Pour entraîner un modèle. Moi, j'avais vu ces chiffres-là il n'y a pas longtemps. Après, c'est toujours très, très opaque.
[07:07] Amiel Sitruk :
C'est très opaque, ça bouge vite.
[07:09] William Ledoux :
Et plus ça va, plus l'opacité progresse, c'est-à-dire que les chercheurs qui travaillent sur ces sujets, ils disent qu'on a de plus en plus de mal, alors qu'on devrait fonctionner dans l'autre sens. Et en général, quand l'opacité augmente, c'est parce qu'on a plus envie de cacher. Donc je pense que ce n'est pas particulièrement des bonnes nouvelles.
[07:26] Carole :
Et pourquoi est-ce que c'est opaque ?
[07:30] William Ledoux :
L'argument qui est donné, c'est que c'est confidentiel. C'est-à-dire que ces données-là donneraient trop d'informations sur le fonctionnement, je pense que ce n'est pas la seule raison. Mais c'est pratique
[07:43] Amiel Sitruk :
Et puis les cloud providers américains, notamment les Open AI, Anthropic, ils aiment bien projeter quand même une vision très positive de l'IA, qui peut être mélangée avec un peu d'anxiogène quand même sur « attention, si vous ne vous y mettez pas, vous allez être dépassé », mais globalement c'est « grâce à ça, on va résoudre plein de problèmes », etc., et effectivement, je pense qu'il y a cette histoire de secret industriel qui revient souvent, mais ternir l'image de quelque chose qu'ils veulent systématiquement montrer sous son meilleur jour, ça fait partie des raisons.
[08:11] William Ledoux :
Et moi, je pense qu'ils n'ont pas la même conscience que nous de ces enjeux-là, notamment aux États-Unis, les turbines à gaz, leur électricité, elle est déjà au gaz. Donc pour eux, c'est pas forcément un problème, par exemple.
[08:26] Amiel Sitruk :
Il faut aussi dire que l'époque, c'est un peu moins à la mode. Il y a eu des changements politiques qui font que des acteurs qui étaient obligés, étant donné des engagements sur les accords de Paris, se le sentent beaucoup moins. C'est aussi s'enlever une contrainte. Comme ils ne font plus rien, ils ne veulent pas communiquer sur le fait qu'ils ne font plus rien. Il y a tout un ensemble de raisons dont ça fait partie.
[08:50] William Ledoux :
Il y a des entreprises qui ont été créées, je pense à Crusoé, une boîte qui fait des data centers pour le calcul pour l'IA. Ils ont été fondés en 2018 par un fond d'investissement dont le slogan, c'est « Unfuck the planet » - vraiment, on va résoudre le problème planétaire en donnant de l'argent à des boîtes.
Donc, ils faisaient des data centers en se mettant à des endroits où il y avait des émissions de méthane qui étaient faites, par exemple, des puits de pétrole, des trucs comme ça, à récupérer le méthane et le brûler en faisant du calcul. Et donc, leur data center était vertueux à l'origine. Ils ont été fondés en 2018.
Là, ils ont annoncé qu'ils achetaient, je ne sais plus combien de... Je pense plusieurs gigawatts de turbines à gaz. Ce n'est pas pour mettre à la sortie des cheminées des puits de pétrole, parce que ça ne fait pas ces quantités-là de gaz. Il y a des boîtes qui étaient vertueuses à la base, qui ont complètement shifté, parce que voyant le marché...
[09:53] Carole :
C'est quoi ? C'est une course ? Qu'est-ce qui fait que d'un coup, il faut y aller et aller vite ?
[09:58] William Ledoux :
C'est une grosse compétition. Il y a plusieurs choses qui jouent. Je pense qu'il y a le fait que ils savent qu'ils sont dans une bulle et ils ont ce sentiment que c'est celui qui sera en haut de la bulle qui va rester quand la bulle éclatera.
Il y a le fait que c'est un marché qui est très volatile, c'est-à-dire qu'il suffit qu'un modèle soit meilleur que les autres sur les benchmarks et instantanément, tous les utilisateurs peuvent se mettre à aller sur ce modèle-là. Du coup, on peut très vite perdre toute sa base de clients en pas longtemps. Donc, on est obligé de rentrer dans cette course là.
Et puis, il y a aussi le fait que les modèles, il y a encore plein de choses qu'on ne sait pas faire. Et donc, il y a cette course à faire plus de choses pour pouvoir élargir la base d'utilisateurs.
Et c'est que des boîtes qui ne sont pas rentables. Donc, ils sont tous en course parce que s'ils ne sont pas les premiers, ils ont du mal à avoir les investissements, et parce qu'ils imaginent que pour être rentable, pour devenir rentable, il faut plus d'utilisateurs et donc il faut adresser plus de problèmes. Et donc, je pense que là, on est dans une course quoi qu'il en coûte.
[11:04] Amiel Sitruk :
Il y a aussi un aspect un peu idéologico-technique, je ne sais pas comment dire. C'est que, en gros, il y a un peu un paradigme qui s'est imposé avec notamment les travaux d'OpenAI, c'est que le scaling... toujours plus gros, toujours plus de données, toujours plus de calculs, était ce qui allait permettre plus d'usages. Et c'est vrai dans une certaine mesure, enfin même dans une mesure totalement ... Ce qui est certain, c'est que les modèles de maintenant et ceux d'il y a trois ans, ils sont très différents. Mais c'est comme s'il y avait une forme de pauvreté de l'imagination, puisque du coup on explore, ça continue, mais on explore moins d'architectures différentes, il y a beaucoup d'argent et beaucoup d'initiatives qui sont prises dans la même direction, faire toujours plus gros.
[11:49] William Ledoux :
Et le problème de faire toujours plus gros, c'est que par contre, les utilisateurs, eux, ils sont dans une incertitude totale et une incapacité à choisir le modèle qui convient à leur tâche. Déjà, ils ne savent pas de quoi sont constitués les modèles et on a toujours cette espèce de crainte que peut-être... "il m'a donné une réponse, mais si j'avais demandé un modèle plus gros, est-ce que la réponse n'aurait pas été mieux ?" Et du coup, pour demander 2 plus 2, je vais utiliser un truc qui est fait pour résoudre des problèmes de maths internationaux. Et il n'y a pas trop de solutions pour ça. Je n'ai pas entendu d'acteurs... Pour le coup, je n'ai pas fait de recherche, mais je n'ai pas entendu, d'acteurs dire on va faire un système qui va analyser la requête et la diriger vers le modèle de la bonne taille. Parce qu'en vrai, ce serait une piste qui serait, je pense, qui pourrait marcher. Et du coup, on utilise des Ferrari pour aller chercher son pain.
[12:49] Carole :
Mais moi, je trouve qu'en fait, c'est ça le sujet. Parce que, est-ce qu'il n'y aurait pas un moyen de l'autre côté, justement, de raisonner finalement ce fonctionnement de manière à ce qu'il soit moins énergivore ?
[13:00] Amiel Sitruk :
En fait, ils ont quand même un enjeu financier, puisqu'on l'a dit, ils ne sont pas du tout rentables. Ils ont un enjeu financier à faire de l'efficience. Donc le Mixture of Experts fait partie des technologies qui fait ça. Et ils en ont fait plein d'autres. Et on voit effectivement que les modèles, les derniers modèles de Google, les GEMA de 4 milliards de paramètres, donc sont plus petits que les standards. Ils arrivent à des performances qui sont vraiment hyper intéressantes. Donc il y a des vrais gains d'efficience dans ces modèles, mais en même temps il y a cette idée qu'ils doivent produire toujours plus de tokens pour arriver à des résultats avec notamment ce qu' on appelle le raisonnement. C'est-à-dire que les modèles depuis un an, un an et demi, généralement ils donnent pas une réponse tout de suite. Ils font beaucoup de texte intermédiaire qu'on ne voit pas pour arriver à une résolution.
Donc voilà, ils essaient de faire de l'efficience, mais le vrai sujet pour moi, c'est qu'il y a une explosion des usages et surtout ils ont envie qu'il y en ait partout, tout le temps, en toutes circonstances. Avec l'IA agentique en particulier, il y a l'idée que les IA peuvent pas uniquement fournir du texte mais accéder à des outils, remplacer des processus humains et ça promet un effet rebond extraordinairement important. Donc même s'ils font des gains d'efficience pour limiter leurs coûts, au total, ça va être de plus en plus.
[14:17] William Ledoux :
Les systèmes d'IA sont facturés au token. C'est un token, c'est quelques lettres de génération. Et on n'a aucun contrôle sur quelle est la taille du modèle et combien de tokens vont être générés pour une question. On ne sait pas la partie raisonnement qui est cachée, combien elle va faire. Et en fonction de notre requête, potentiellement, les modèles vont être différents en termes de raisonnement. Moi, j'ai vu des témoignages de gens qui racontaient que leur facture avait diminué depuis que dans leur prompt, ils mettaient telle phrase qui faisait que du coup, ça n'utilisait pas certains systèmes de raisonnement. Donc, les gens sont à l'aveugle, à tâtons, à essayer des trucs. Ils ne savent même pas prévoir combien leur coûtera leur usage de l'IA. Mais du coup, les fournisseurs de ces systèmes, ils ont intérêt à ce que ça utilise plein de tokens. Ils facturent au token.
[15:05] Amiel Sitruk :
Sachant que là, il y a des acteurs qui ont activement intérêt à ce qu'on en utilise encore beaucoup plus parce que comme on l'a dit, pour l'instant, ils ne sont pas rentables. Donc, ils poussent partout et c'est pour ça qu'on voit dans pas mal de logiciels déjà installés, de Google, de Microsoft, de l'IA qui est poussée un peu dans tous les sens sans que ça ait été forcément demandé, sans que ce soit forcément d'ailleurs très performant.
[15:26] William Ledoux :
Donc, on devient petit à petit un peu dépendant. Cognitivement, il y a des fonctionnements qui marchent moins bien quand on s'habitue à utiliser l'IA, tout comme c'est l'effet GPS un peu. On ne sait plus s'orienter quand on a quelqu'un qui nous dit "tourne à droite" tout le temps. Donc, il y a cet effet-là. Et une fois que le système, on est un peu dépendant de ça, c'est plus facile de monter les tarifs au niveau où ça devient rentable. Parce que normalement, c'est ça qu'ils devraient faire. Normalement on n'a pas le droit de vendre à perte donc ils devraient mettre des tarifs qui leur permettent d'être rentables, ce serait très cher, ce serait un truc d'élite. Sauf que là ils sont dans une lutte commerciale pour tuer tous leurs concurrents donc ils lèvent plein de fonds ils ne vendent pas du tout au prix si c'était plus cher moi je n'aurais pas trop de problèmes, ça limiterait l'usage, ça limiterait l'empreinte carbone ça ferait que les gens réfléchissent davantage à leur usage, pourquoi pas ?
[16:24] Amiel Sitruk :
Il y a un truc intéressant qui se passe. Il y a un domaine où vraiment l'IA générative a vraiment transformé la façon de fonctionner pour beaucoup de gens, c'est le code. C'est indéniablement très performant avec notamment Claude Code. Et ils ont eu un tel succès qu'ils ont commencé, ils n'ont pas augmenté les prix, mais ils ont commencé à introduire des limites assez fortes et assez opaques, comme toujours, sur les usages. Et donc, il y a notamment, pas mal de communautés de programmeurs qui se plaignent du fait que, de manière incompréhensible, quelque chose qui... Voilà, ils avaient des quotas pour bosser pendant trois jours, ben là, ils n'ont plus que deux heures.
Et c'est assez marrant, parce que du coup... Mais il y a vraiment des choses structurées, des subreddits qui parlent de ça, je vous invite à voir, parce qu'en fait, c' est un peu témoigner de son addiction, quoi. Ils sont vraiment en train de dire, c'est intolérable voilà moi mon business est mis en danger parce que je m'appuyais là dessus etc, alors que ça fait peut-être un an que ça s'est vraiment répandu le coding assisté et vraiment il y a eu quand même des percées technologiques il y a 3-4 mois qui fait qu'il y a beaucoup de gens qui ont commencé à basculer sur Claude code et ce genre de choses et en si peu de temps avoir ce genre de raisonnement c'est assez impressionnant.
[17:35] William Ledoux :
L'échantillon gratuit. Les gens, on leur donne ça, ils essayent, ils voient qu'ils sont capables de faire des choses qu'ils ne pouvaient pas faire avant parce que peut-être ce n'étaient pas des programmeurs. Donc, ça leur donne des idées, ils se lancent dans un business, puis au bout de six mois, tu leur dis maintenant c'est payant. C'était déjà payant, mais ce n'est pas les mêmes ordres de grandeur.
[17:56] Carole :
Donc ça, en fait, là, j'entends par rapport aux usagers que vous dites n'utilisez pas forcément une Ferrari pour aller chercher du pain, etc. Ça j'entends. Mais vous, de votre côté, du côté des professionnels, ceux qui font l'IA, qu'est-ce qu'on peut faire ? Qu'est-ce qu'on pourrait mettre en place de manière à ce que cette IA, qui va s'inscrire dans nos vies, on le sait, on arrive à ne pas complètement détruire la planète à côté de ça ?
[18:23] Amiel Sitruk :
Je pense qu'il y a un concept fondamental qui est très présent dans l'IA frugale, notamment, c'est l'analyse critique du besoin. On en a parlé un peu en filigrane, mais toujours se poser la question de « est-ce que j'ai besoin d'IA pour ça ? Est-ce que ça fait vraiment un saut qualitatif certain ou pas ? » Je pense que c'est un peu le point de départ.
Et après, je pense qu'il faut différencier l'usage individuel, dont on a pas mal parlé, et la création de systèmes sur mesure, ce qui est un peu la spécialité de notre société, où là on veut par exemple, je sais pas, faire l'extraction automatisée d'informations sur des images, des choses comme ça. L'IA générative est un candidat potentiel, mais il y a d'autres types d'IA qui peuvent être très pertinentes et parfois meilleures, qui demandent peut-être un peu plus de travail (pas forcément) donc du machine learning plus classique, la computer vision plus classique.
Et donc, voilà, la forme que ça prend dans ce genre de situation, l'analyse critique du besoin, c'est, est-ce qu'il n'y a pas d'autres techniques qui existent et qui sont aussi performantes, voire meilleures ? Et puis il y a un sujet quand même, peut-être que j'ouvre une porte, mais c'est que l'IA générative, ça s'appuie, à part si on fait des modèles open source - c'est quelque chose qui est important pour nous - ça s'appuie souvent sur de l'IA propriétaire. C'est aussi un des changements de paradigme, c'est qu'avant, il y avait quand même beaucoup de systèmes de machine learning qui étaient open source. Là, les principaux providers donnent des modèles propriétaires. Donc quand on est dans cette logique d'utiliser un IA type machine learning par exemple, on va pouvoir être propriétaire soi même de son actif concret. On va pas dépendre d'un tiers et ça c'est assez important.
[19:58] William Ledoux :
Moi j'ai cet espèce de principe que je trouve qui serait chouette mais j'ai jamais trop entendu personne dire qu'il l'appliquait, de dire quand j'essaye d'automatiser quelque chose, parfois pour gagner du temps. Je vais mettre très vite en place la Ferrari parce que ça me permet de faire le truc. Mais derrière, je vais essayer de trouver le système le plus petit possible, le plus sûr possible pour remplacer le plus vite possible ce système par un truc un peu moins gros, voire même un système, designé à l'ancienne par des ingénieurs pour filtrer 80% des choses qui sont faciles et puis utiliser après le système un peu moins gros, et puis après, quand le système un peu moins gros n’arrive pas à utiliser la Ferrari et faire un système à étage où je vais toujours challenger la solution full IA par quelque chose de plus maîtrisé, de plus réduit.
[20:54] Amiel Sitruk :
De manière assez similaire à ce que tu dis, moi, dans mon usage personnel de l'IA, j'utilise en premier instant des modèles open source locaux. Petits modèles, donc il y a des logiciels qui permettent de faire ça facilement.
[21:09] William Ledoux :
Locaux ça veut dire que ça tourne sur son ordi, donc il n'y a pas le souci de l'inférence se fait sur notre mix électrique à nous, etc.
[21:16] Amiel Sitruk :
C'est déjà pas mal. C'est déjà énorme.
[21:20] William Ledoux :
Plusieurs dizaines de fois mieux.
[21:21] Carole :
Tu disais tout à l'heure, Gemma, des choses comme ça, c'est ça ?
[21:23] Amiel Sitruk :
Par exemple, Gemma. Dans Google, ils ont deux classes de modèles. Ils ont les modèles propriétaires Gemini et Gemma pour les modèles open source.
[21:30] Carole :
Mais les autres aussi, j'imagine.
[21:32] Amiel Sitruk :
Non, tout le monde n'est pas pareil. Anthropic, ils ne font pas d'open source. OpenAI, ils l'ont fait parce qu'ils ont été un peu obligés parce que c'est dans leur nom, mais ils ne l'avaient pas fait depuis GPT-3. Donc, non. Et ça, c'est aussi un des paradoxes de l'époque. C'est que ceux qui font des modèles ouverts, à foison, c'est les Chinois actuellement. Et ils sont très performants, donc il y a évidemment une stratégie de saper la primauté des modèles américains. Mais donc, de fait, il y a des petits modèles qui sont très performants, qui peuvent tourner en local, sur l'ordinateur, sur son ordinateur, et qui peuvent résoudre beaucoup de problèmes. Donc voilà, ça c'est une stratégie un petit peu de plusieurs rideaux.
[22:11] Carole :
Toi, tu fais comme ça ? Tu utilises d'abord Gemma ? Enfin, d'abord, quelque chose en local, et après tu...
[22:17] Amiel Sitruk :
En tout cas, j'estime la difficulté de la tâche. Donc ça, ça demande un peu d'expérience, mais j'estime la difficulté de la tâche a priori, et je me dis, ça, j'ai pas besoin d'un gros truc. Déjà, je me demande, est-ce que j'ai besoin d'IA ? Et si j'ai besoin d'IA, là, je vais utiliser un petit modèle. Et si vraiment il y a un apport important d’une IA générative, moi, je ne nie pas qu'il y a des moments où c'est vraiment très utile, et là, je vais le faire.
[22:35] Carole :
D'accord.
[22:36] William Ledoux :
Moi, j'ai un peu la même approche quand il y a le Shift Project qui a sorti un rapport super sur comment concilier un monde décarboné avec l'industrie IA, où ils analysaient, en écoutant leur compte-rendu de rapport, j'ai appris ce truc des turbines à gaz. Et là, j'ai fait... OK. Et ils donnaient plein de chiffres qui permettaient de se faire une idée de combien on gagnait à faire tourner son modèle soi-même. Donc, ils donnaient des chiffres, genre les data centers, 25% de leur empreinte carbone, c'est l'énergie. Et puis 75%, c'était le matériel. Et du coup, si c'est déjà un matériel que j'ai et que je ne l'ai pas acheté exprès, je gagne déjà ça. Après, il y avait l'énergie. Donc on gagne, on a vu, entre 300 grammes et nos quelques dizaines de grammes chez nous, on gagne encore un gros facteur. Et ensuite, il y a le nombre de paramètres. Donc GPT-3, c'était 175 milliards. GPT-4, je crois, 2000 milliards. GPT-5, les estimations, c'est qu'il tourne toujours sur 2000 milliards, mais l'apprentissage s'est fait sur beaucoup plus, sur 50 000 milliards. Un truc monstrueux. Et du coup, moi, les modèles que je peux faire tourner sur mon ordi que je n'ai pas renouvelé, c'est tout petit à côté. C'est plus petit que GPT-3. Et pourtant, ça peut répondre à plein de choses. Mais en plus de ça, donc là, on gagne encore un facteur, mais je ne me souviens plus de l'estimation finale, mais c'était dingue. En plus de ça, moi, je l'utilise en dernier recours. C'est genre, si je fais une recherche sur Google et que j'ai fait cul-de-sac, je ne trouve pas. Et bien là, je vais vérifier que c'est bien cul-de-sac que l’info en demandant, à ces modèles-là.
[24:27] Carole :
Une requête Google par rapport à une requête de chat GPT ou autre, il y a une grosse différence en termes de consommation ?
[24:34] William Ledoux :
Je crois que... Déjà, oui. Les chiffres que j’avais vus par rapport à GPT-3, c'était genre 60 fois plus. GPT-3, c'est tout petit par rapport à GPT-4. Et maintenant, quand on fait une requête, c'est du GPT-5 par défaut.
[24:50] Amiel Sitruk :
Oui, je pense. 5.4, je ne sais pas, 5.5.
[24:54] William Ledoux :
C'est monstrueux. Mais bon, maintenant, quand on fait une requête sur Google, parfois, ils nous mettent l'IA générative en premier. Et pour le désactiver, tu peux le désactiver, mais c'est stocké dans tes cookies. Donc, si tu as un truc qui refuse les cookies, en fait, tu ne peux pas. Tu es obligé de choisir. Bon, c'est... Même DuckDuckGo, le moteur de recherche, il se met à mettre de l'IA. C'est pareil, c'est dans les cookies pour couper. Si tu n'as pas les cookies, tu n'as pas le choix. Ou alors, il faut installer leur moteur, leur navigateur. Et là, dans le navigateur, tu as le réglage dans le navigateur. Comme tu disais, ça s'insinue partout.
[25:35] Carole :
Il faut être volontaire pour ne pas l'utiliser. Et là, à plusieurs reprises, l'un comme l'autre, évidemment, vous avez parlé d'IA frugale. Je crois que vous n'avez pas exactement la même définition en plus. Donc, est-ce qu'on pourrait parler justement de cette option-là et de voir ce que ça voudrait dire ?
[25:50] Amiel Sitruk :
Pour moi, l'IA frugale, c'est le fait de concevoir des IA. Enfin, concevoir une IA frugale, c'est concevoir une IA qui répond à un besoin avéré en utilisant un minimum de ressources pour arriver à un résultat satisfaisant.
[26:02] Carole :
D'accord, très bien. Et toi, William ?
[26:05] William Ledoux :
Je pense que je suis tout à fait d'accord avec cette définition. Après, pour moi, l'algorithme d'être frugal, c'est déjà dire, est-ce que j'ai tout essayé sans passer par du machine learning, sans passer par des modèles génératifs ? Et une fois que je n'ai pas ça, quelle est la taille minimale de modèles qui me permettent de répondre à mon besoin ? Et je pense qu'il ne faut pas rater cette première étape et partir du principe qu'il faut un modèle générique. Même en faisant ça, il y a aussi quelle partie de la tâche je peux faire. Ce n'est pas tout blanc ou tout noir, c'est quelle partie de la tâche je peux faire avec un système traditionnel et essayer de faire augmenter cette partie de plus en plus. Ça vaut le coup de regarder, mais après, notre incitation à le faire n'est pas très forte. Notre électricité ne coûte pas si cher. Enfin, le... C'est vraiment de l'ordre de l'éthique plus que de l'ordre de la gestion financière ou énergétique de son entreprise. C'est pour ça que c'est assez dur à démocratiser.
[27:09] Amiel Sitruk :
Modulo ce qu'on a dit tout à l'heure, à savoir que pour l'instant les prix de l'IA générative ne sont pas les vrais prix. Et donc toute mauvaise habitude prise risque de coûter assez cher. C'est une probabilité non négligeable que ça coûte assez cher dans les prochaines années.
[27:22] William Ledoux :
La souveraineté, même au sein d'une entreprise, le fait de se dire moi je ne dépends que de mon arrivée d'électricité pour faire fonctionner mon entreprise, c'est quand même une sécurité bien plus grande que je dépende du bon vouloir d'une boîte étrangère ou même d'une boîte française et de sa politique tarifaire qui peut changer énormément.
[27:43] Carole :
Et quelle est la tendance par rapport à ça justement ? Vous avez l'impression là avec les sociétés avec lesquelles vous travaillez ou même en interne qu'on va vers quelque chose, un modèle de souveraineté assez fort ou est-ce qu'on continue à se dire bon bah c'est pas grave on utilise ça et puis on verra ?
[27:59] Amiel Sitruk :
Je pense que ça peut être assez varié et dans les actes notamment par contre il y a une prise de conscience sur le fait qu'on est allé beaucoup trop loin dans des dépendances qui sont maintenant un peu problématiques notamment aux égards aux événements géopolitiques donc ce qui est certain c'est qu'il y a beaucoup d'entreprises qui se sont dit ok bon on a passé les 15 dernières années à tout mettre dans le cloud bon maintenant on se demande est-ce que c'était une bonne idée et ensuite maintenant il y a l'IA générative est-ce que c'est une très bonne idée de ne pas recruter ces deux personnes là et plutôt de mettre une IA qui dépend d'un acteur tiers dont le modèle, le business model n'est pas clair et donc les prix ne sont pas clairs bon ça fait réfléchir. Donc moi ce que je vois commercialement quand on parle avec des entreprises, l'IA frugale en tant que telle, c'est pas forcément ce qui leur parle tous, il y en a encore qui s'intéressent à ça, et puis on travaille aussi beaucoup avec des acteurs publics qui eux s'y intéressent en tant que telles. Par contre quand on leur fait comprendre que la démarche frugale, puisqu'il y a de l'analyse critique du besoin, comme tu l'as dit, on va pas forcément mettre de l'IA générative en premier lieu, et puisqu'on va faire des petits modèles qui vont pouvoir potentiellement tourner sur une infrastructure qui est maîtrisée, ça, ça intéresse. Donc, une des chances, c'est que puisque ce sujet de souveraineté a quand même le vent en poupe, il permet aussi de pouvoir ramener un peu de raisonnable, et notamment sur l'empreinte environnementale également, par le biais des principes de l'IA Frugale.
[29:22] William Ledoux :
Par rapport à la souveraineté, il y a un truc récent qui vient, le rendre encore plus important, c'est le conflit au Moyen-Orient. Parce que l'Iran a contre-attaqué en tapant des data centers d'Amazon. Parce que, en fait, on ne sait pas protéger bien les data centers. Les capacités militaires sont tellement fortes que ce ne serait plus du tout rentable. Il faudrait enterrer hyper profond les data centers pour les protéger, pour les refroidir. Enfin bref, ce serait terrible. Du coup, ça devient des points stratégiques clés, des cibles privilégiées. En gros, quelque chose qui tourne en Arabie Saoudite où, c'est des data centers qui sont fragiles parce qu'ils peuvent être les cibles de sujets qui nous dépassent et qui sont complètement imprévisibles. Et donc, il y a ce truc. Si je fais tourner dans un pays où les attaques sont plus incertaines, en Europe, j'ai moins de chances que mon datacenter explose. Et il y a eu des pertes de données pour le coup d'Amazon parce qu'ils avaient de la redondance, mais c'est un système... Ils en ont tapé deux sur les trois. Il y a de la perte.
[30:51] Amiel Sitruk :
Je ne savais pas du tout qu'ils avaient tapé. Mais ça en dit très long sur la place que prennent les datacenters dans l'importance géopolitique. Enfin, l'importance qu'ils prennent.
[31:00] Carole :
Tout à fait. Et donc, la solution serait quoi ? D'avoir nos datacenters, nos...
[31:04] William Ledoux :
Ben oui, c'est sûr que quand on parle de collectivité, il n'y a pas forcément des gros besoins. Ils peuvent héberger déjà en France, ils peuvent même parfois héberger eux-mêmes. Et c'est le truc de se mettre en local quand on peut, de faire au maximum un truc où on est autonome.
[31:27] Amiel Sitruk :
Je pense que ce n'est pas tout le temps possible, mais par contre, c'est une réflexion qui doit être systématique pour moi. Est-ce qu'on le fait chez nous ? Dans ces cas-là, quel type de modèle, etc. Et ça, à mon avis, c'est vraiment quelque chose qui fait du chemin.
[31:41] William Ledoux :
Et là, on n'a même pas parlé de confidentialité des données. On n'a même pas touché ce sujet-là. Moi, j'hallucine les gens qui programment sous des Claude code qui envoient toute leur base de code. C'est fou, hein ? Et les entreprises, je pense, il y a des entreprises qui paniquent, qui se disent « Oh là là, je vais me faire dépasser par mes concurrents si j'empêche mes développeurs d'utiliser ça. » Et du coup, ils cèdent sur des trucs qui auraient été des vraies lignes rouges de leur politique avant. Donc, c'est cette course, on n'a pas le temps de se poser pour réfléchir à ces sujets-là. Ils réfléchissent dans l'urgence.
[32:24] Carole :
Mais tout le monde n'a pas besoin de ça. Les sociétés avec qui tu travailles, elles n'ont pas forcément ce truc de vouloir faire vite, vite.
[32:32] William Ledoux :
Il y a un gros biais de sélection. Les sociétés avec lesquelles tu travailles, c'est déjà celles qui ont ce souci-là. Mais dans les utilisateurs de l'IA, dans les nouveaux business models, les gens qui créent leur boîte avec de l'IA au cœur, ils ont cette impression d'être dans une ruée vers l'or. C'est-à-dire que là, il y a une opportunité, il faut que la saisisse maintenant, tout de suite, parce que sinon quelqu'un d'autre va le faire. Donc, il y a une bonne partie des utilisateurs de l'IA qui sont dans la même urgence que ceux qui développent les IA.
[33:04] Amiel Sitruk :
Et encore une fois, il y a quand même ces discours assez anxiogènes, et bon, c'est peut-être en partie réel, mais sur le fait que le travail va être totalement transformé. Il y a cette phrase, c'est pas l'IA qui va vous remplacer, mais quelqu'un qui l'utilise. Donc il y a quand même tout un discours ambiant, porté notamment par les providers d'IA principaux, pour se dire qu'il faut absolument prendre le train.
Et donc oui, je pense que ça dépasse largement les créateurs d'IA, cette course effrénée, il y a vraiment ce fomo. Nous on intervient aussi au niveau du cadrage stratégique auprès des entreprises, donc on explique ce qui peut être fait avec de l'IA. Et donc parfois on doit effectivement un petit peu transformer des représentations parce que le raisonnement de base c'est il me faut de l'IA pour ça. Un cas qui est assez courant, qu'on a eu plusieurs fois, c'est j'ai une base de données qui est très grosse, qui est compliquée, qui a 10 ans d'historique, qui n'a peut-être pas eu toute l'architecture, qu'il fallait être là-dedans, j'aimerais pouvoir à tout moment, grâce à une IA, poser des questions à cette base de données pour mieux comprendre quels sont le comportement de mes clients, etc .
Et donc ça, c'est quelque chose que je refuse en disant, mais c'est pas ça que vous avez besoin en fait, vous avez besoin d'un dashboard peut-être, tout simplement, un tableau de bord pour voir l 'évolution avec tel client, c'est beaucoup plus sobre, et ça répond au problème sans introduire des millions d'autres problèmes: de sécurité, parce qu'exposer à une IA sa base de données c'est quand même un sujet, des hallucinations, même si on prend un modèle open source, il peut se tromper, donc avoir une mauvaise remontée d'informations.
Et ça, c'est typiquement un raisonnement frugal pour moi. C'est de se dire, il y a ce FOMO qui est ambiant, il y a une manière de se représenter les choses et les besoins en termes de « j'ai besoin d'IA », il faut transformer ça pour que le besoin soit exprimé en termes de points durs, de pain points, et donc de pouvoir ouvrir l'imaginaire sur des solutions totalement différentes.
[34:57] Carole :
D'accord. Vous aussi, finalement, évidemment, dans votre démarche chez SpirOps, comme ce n'est pas de l'IA générative, il y a cette frugalité de fait. Mais donc, vous aussi, vous devez un peu convaincre les gens de passer par là plutôt que de passer par de l'IA Ferrari ?
[35:14] William Ledoux :
Oui, ça dépend beaucoup des politiques des boîtes. Il y a même des grosses entreprises où ça y est, ils sont passés de l'autre côté. C'est-à-dire que nous, à une époque, quand on a bossé pour certains gros clients, c'était très clair chez les décideurs qu'ils ne mordaient pas l’hameçon de l'IA, ils voulaient des maths, ils voulaient un truc analytique, ils voulaient un truc solide. C'était très clair. La boîte concurrente, cinq ans plus tard, ils sont là "non, mais nous, si ce n'est pas de l'IA..". Donc, on est confronté à ça. On a la chance d'avoir quand même plein de preuves de ce qu'on arrive à faire qui permet de mitiger ce discours-là. Mais parfois, on nous dit, je suis d'accord, c'est super ce que vous faites, mais franchement, je n'ai pas l'énergie de faire revenir tout le board en arrière sur cette conception-là qu'en fait, on peut faire ça qu'avec de l'IA.
[36:15] Carole :
Quelles sont les perspectives que vous entrevoyez qui vous donnent de l'espoir ?
[36:20] Amiel Sitruk :
Quelque chose qui peut donner de l'espoir, c'est quand même un écosystème, notamment open source, qui se structure et qui permet de faire des choses. Donc , il y a un logiciel, par exemple, une librairie qui s'appelle Ecologits1, qui permet de faire l'estimation de l'empreinte carbone, mais aussi eau et sur les ressources abiotiques quand on fait des appels à des modèles propriétaires. Et ça, comme c'est du code Python, on peut le mettre un peu partout et donc on peut bien traquer ce qui se passe. Donc ça, ça fait partie des logiciels qui sont un peu imposés. Encore une fois, en l'absence de données réelles de la part des providers, il y a des estimations qui sont faites à la base de "on pense que ce modèle fait tant de paramètres, qu'il a telle architecture et que donc un token c'est tant".
Il y a aussi d'autres logiciels que nous on utilise, par exemple, il s'appelle e-footprint2 pour modéliser tout un système numérique et en fonction des usages, donc ça c'est intéressant, ça permet de prendre en compte l'augmentation des usages, qu'est-ce que ça va donner comme empreinte carbone.
Il y a aussi... Pour mesurer, encore une fois, l'importance de l'open source, c'est aussi que quand on est sur une machine qu'on contrôle, on peut mesurer les choses. Un logiciel qui est très intéressant, qui est très important, qui s'appelle CodeCarbon3, qui permet justement, étant donné un programme, de voir quelle est la quantité d'énergie, et donc étant donné le mix énergétique de carbone qui a été émis.
Et voilà, il y a aussi une autre initiative dont j'aimerais parler, qui est assez intéressante, qui s'appelle Boamps4, auquel ma société... qui est encore une fois une initiative open source et qui consiste à mettre en commun des runs de modèles de machine learning au sens large, pas que de l'IA générative.
[37:57] Carole :
Attends, il faut que tu m’expliques, excuse-moi.
[37:59] Amiel Sitruk :
Un run, pardon.
[38:00] Carole :
Ouais.
[38:01] Amiel Sitruk :
c'est peut-être...
[38:02] Carole :
Vas-y.
[38:03] Amiel Sitruk :
Donc, quand on fait tourner un modèle de machine learning, donc IA générative ou autre, que ce soit en phase d'entraînement d'ailleurs, ou d'inférence, on peut mesurer l'empreinte grâce à des logiciels comme Code Carbon et les mettre dans une base de données commune, un commun numérique qui s'appelle Boamps et qui vise à faire que plein de personnes qui utilisent sur plein d'infrastructures différentes des modèles différents pour des tâches différentes alimentent une base de données commune qui va pouvoir permettre de construire de nouveaux outils, mieux comprendre, se réapproprier, dans une initiative open source, de la connaissance et générer du savoir qui, encore une fois, n'est pas bien communiqué par les propriétaires. Ça, c'est une initiative que j'aime beaucoup.
[38:45] William Ledoux :
Est-ce que tu as des chiffres sur l'usage de ces outils ? Parce que moi, je trouve ça génial, mais je n'ai jamais vu, quand je télécharge un outil, l'éco-score à côté. C'est très peu mis en avant .
[38:58] Amiel Sitruk :
Il faut savoir que plusieurs des initiatives dont je parlais sont assez récente. Donc nous, on essaie de faire en sorte, à notre petite échelle, qu'elle prenne. Mais je pense que Ecologits est quand même bien installée et CodeCarbon également. Maintenant, je pense que j'ai un énorme biais dans les discussions. On en parlait tout à l'heure. J'ai l'impression que tout le monde connaît ça. Peut-être que potentiellement, ce n'est pas du tout vrai.
[39:21] Carole :
Mais c'est pour ça que c'est bien d'en parler. Mais juste pour que je comprenne, qui a développé ça ?
[39:25] Amiel Sitruk :
C'est des initiatives open source donc c'est développé par des associations notamment. Et après, tout un chacun peut contribuer. Donc c'est quelque chose qui est intéressant. Contribuer au code ou, dans le cas dont j'ai parlé (Boamps) contribuer à l'alimentation de la base de données. Donc c'est des initiatives qui sont portées généralement par des associations mais qui les dépassent ensuite.
[39:46] Carole :
Mais est-ce qu'il n'y aurait pas... Finalement, est-ce qu'on pourrait pas se dire qu'une des solutions, ce serait que ça soit imposé, entre guillemets, cette espèce d'éco-score, comme tu dis.
[39:58] William Ledoux :
C'est le cas dans les appels d'offres publics. Il y a des choses. C'est- à-dire que l'éco-conception rentre dans la note pour les appels d'offres publics, je crois. Après, qu'est-ce qu'on met derrière l'éco-conception ? Ça ne va parfois pas, ça englobe pas forcément ça. Mais au moins la case est là, il faut mettre les bonnes choses dedans.
[40:21] Amiel Sitruk :
En tout cas c'est très juste, nous on intervient souvent dans des projets qui sont dans des appels à projets, où il y a des consortiums qui se montent et où effectivement il y a des conditions sur l'éco-conception des systèmes ou la maîtrise environnementale des systèmes d'IA. Et donc nous on est appelés pour pouvoir justement apporter cette expertise mais encore une fois, ça veut dire que c'est encore le public qui drive le fait qu'on fait de l'IA frugale, de manière indirecte en l'occurrence.
[40:47] William Ledoux :
Dans le privé, il y a des grands groupes qui ont des politiques RSE où ils engagent des entreprises pour auditer leurs fournisseurs et leur faire cocher un certain nombre de cases. Donc par ce biais-là, si, les organismes que je connais, c'est Ecovadis, si eux, ils décident de mettre en place cette métrique-là, ça peut pousser des acteurs à s'en emparer. Donc, il y a des choses, mais je crois que ce n'est pas le cas. Je ne crois pas qu'ils l'aient pris en compte pour l'instant.
[41:21] Carole :
Mais ça pourrait être une des pistes pour arriver justement à raisonner.
[41:27] William Ledoux :
Nous, on adorait que dans la conception logicielle, le code carbon...
[41:32] Carole :
Je pense que vous auriez un bon score.
[41:34] William Ledoux :
On aurait un super score.
[41:36] Amiel Sitruk :
C'est clair. Mais c'est un vrai sujet. Ce que tu disais, c'est que la case est là. Par contre, ce que j'ai entendu dire en parlant avec les acteurs, c'est qu'il y a des gens qui la remplissent avec « Nos employés viennent à vélo au boulot ».
[41:47] Carole :
Parce-ce que là, on a abordé beaucoup de choses pas forcément de manière très enthousiasmante ? Vers où on pourrait aller pour que ça aille ? Parce que de toute façon, ça sera là.
[41:58] William Ledoux :
Il y a des propos que j'ai tenus que je peux édulcorer un peu. Donc les data centers qui mettent des turbines à gaz, elles disent que c'est des turbines qui sont compatibles hydrogène. Donc elles disent on peut mettre ces turbines-là et puis, à notre bon vouloir, on arrivera à introduire un peu d'hydrogène vert mélangé, puis que de l'hydrogène vert. Et donc, il y a un côté, quand on a l'administration Trump, où le mix électrique ne va pas être moins carboné, parce que ce n'est pas la politique, une entreprise qui a ce bon vouloir-là pourrait décarboner son mix énergétique à elle, parce qu'au niveau du data center, elle maîtrise son énergie. Bon, je ne sais pas si ça va arriver.
[42:52] Carole :
C'est une possibilité.
[42:54] William Ledoux :
C'est possible.
[42:55] Carole :
Voilà.
[42:56] William Ledoux :
Les entreprises qui font plus de 20 MW de génération d'électricité, elles sont soumises à acheter des droits à polluer dans le marché européen. Donc, tous ces data centers-là, ils sont obligés un peu de... Et ces droits à polluer sont censés être de plus en plus chers. Donc ça, c'est un autre truc qui pourrait driver ce shift vers de l'hydrogène. Mais personne ne produit assez d'hydrogène vert pour faire ce qu'ils veulent. Ce n'est pas qu'une question de prix. Les filières ne sont pas là, ça patauge un peu l'hydrogène vert. Alors qu'en soi, il y a beaucoup de pertes, mais c'est quand même un bon moyen, quand on a plein d'énergie renouvelable abondante, de la stocker, de l'utiliser plus tard, ce genre de choses.
[43:43] Amiel Sitruk :
Moi, je dirais qu'il y a quand même des gains d'efficience très importants qui sont faits sur les modèles. Donc, on est avec des small languages modèles qui arrivent à faire des choses de plus en plus importantes. Et donc, ça, c'est quand même indéniable. Des choses 50 fois plus petites font ce qu'on ne pouvait pas faire avant. Par contre, je pense que cette espèce de capital, il faut l'entourer, il faut le modérer avec l'analyse du besoin, s'assurer qu'on n'en met pas tout le temps et sans raison de l'IA.
Je pense qu'à cette condition, on peut imaginer un monde où il y a une utilisation raisonnée de l'IA, où vraiment elle apporte des choses qui sont intéressantes avec le bon modèle qui a la bonne taille. Et j'espère que c'est la direction que vont prendre les organisations. Et moi, ce qui me donne un petit peu d'espoir, c'est que je pense qu'on a été dans une période, et on est toujours encore dans une période, un peu d'irrationalité des entreprises qui ne se sont plus posé les questions en termes de "quels sont mes problèmes", mais en termes de "où je peux mettre de l'IA" et ça, je pense qu'on se rend compte que c'est pas du tout une logique d'entrepreneur, quoi. c'est pas du tout une logique saine pour même la gestion de sa boîte.
On se crée des dépendances, on se crée des coûts, on se crée des problèmes. Et donc, mon espoir, c'est qu'il y ait une sorte de raisonnable qui revient par ce biais-là. J'espère qu'on va plus vers un monde où les organisations ont des petits modèles d'IA qui sont spécialisés et qui correspondent à des besoins éprouvés, donc à certains endroits, pas à d'autres, plutôt qu'un monde où tout le monde a remplacé ses développeurs en partie par de l'IA générative propriétaire et un certain nombre de processus où les entreprises sont bloquées dans ces dépendances-là qui sont possédées par quelques entreprises, c'est presque dystopique quand on y réfléchit comme scenario. Donc pour l'environnement et pour une meilleure organisation dans la société, j'espère qu'on va dans cette direction
[45:34] Carole :
D'accord. Tu veux ajouter quelque chose ?
[45:40] William Ledoux :
Il y a aussi des pistes peut être décentralisées d'IA. On pourrait imaginer à la place de nos radiateurs, on a des sortes de gros calculateurs. Il y a eu des boîtes qui se sont créées il y a quelque temps qui voulaient faire ça. Tu as ton chauffage gratuit chez toi parce qu'en fait, ils t'installent des super calculateurs qui chauffent ta maison en faisant des calculs pour des boites .Bon, c'est des trucs où, pour le coup, l'énergie, elle est moins perdue plutôt que de faire chauffer de la fonte. Mais alors là, on est dans un futur hypothétique, loin, je ne sais pas. Mais on pourrait aller vers là si on se disait que c'est hyper utile.
[46:26] Carole :
Ok, merci pour ces perspectives un peu encourageantes. Je vous propose qu'on se retrouve une prochaine fois pour voir un peu la manière dont ça a évolué, puisqu'on a bien compris que c'était surtout amené à beaucoup changer dans les mois et les années à venir. Merci à tous les deux.