Impact’IA : mesurer l’empreinte de l’IA sans oublier le travail accompli

Impact’IA est un calculateur environnemental open source proposé par la SNCF, avec Resilio et Wavestone. Chacun peut télécharger l’outil et consulter sa méthodologie depuis le dépôt GitHub de SNCF Developers, dont le lien figure dans les sources. Cette ouverture est bienvenue : elle permet de tester les hypothèses, de les discuter et de les améliorer.

Nous avons testé Impact’IA avec notre propre profil d’usage. L’initiative est utile parce qu’elle rend un sujet abstrait beaucoup plus concret. L’outil est didactique, ses explications sont accessibles et il propose un catalogue de bonnes pratiques. Il aide ainsi à dépasser les impressions pour réfléchir aux conséquences de nos usages.

Notre simulation : l’équivalent d’environ 34 kilomètres

Pour représenter notre activité professionnelle d’experts et de formateurs, nous avons sélectionné GPT-5.6 Sol et renseigné l’usage mensuel suivant :

• 600 requêtes ;
• 3 millions de tokens en entrée ;
• 900 000 tokens en sortie.

Une fois annualisé, le résultat correspond à environ 34 kilomètres parcourus en voiture thermique. Il s’agit d’une équivalence d’émissions de gaz à effet de serre issue d’une estimation. Elle ne signifie pas que notre usage « est » littéralement un trajet automobile, ni qu’elle résume tous les impacts environnementaux de l’IA. Le calculateur couvre aussi la consommation d’électricité et d’eau.

Pour un usage professionnel soutenu, cet ordre de grandeur invite à relativiser certains messages très alarmistes et à remettre nos pratiques numériques en perspective. Il ne permet toutefois pas de conclure que l’empreinte mondiale de l’IA serait négligeable. Un cas individuel ne dit rien, à lui seul, de l’accumulation des usages, de la construction des infrastructures ou de l’évolution future de la demande.

Il faut également conserver la prudence propre à toute modélisation. Le dépôt d’Impact’IA précise que les résultats associés à plusieurs modèles récents, dont GPT-5.6 Sol, ne sont pas encore totalement consolidés, faute notamment de données publiques précises sur leur nombre de paramètres. Les 34 kilomètres doivent donc être lus comme un ordre de grandeur, pas comme une mesure physique exacte.

Comparer des tâches réussies, pas seulement des requêtes

La principale limite d’une comparaison fondée sur les tokens apparaît lorsque deux modèles n’atteignent pas le même résultat avec le même nombre d’essais.

Imaginons une synthèse documentaire fictive. Un petit modèle produit rapidement un premier résumé, mais oublie une nuance importante. Il faut reformuler la demande, corriger une confusion, rappeler les sources attendues, puis le relancer. Un modèle plus capable fournit dès le premier essai une synthèse fidèle et exploitable.

À qualité et fidélité équivalentes, il est possible que les cinq tentatives du petit modèle consomment davantage de ressources que l’unique passage du modèle avancé. Cette inversion n’est pas systématique : un modèle léger restera souvent préférable pour classer, extraire ou reformuler. Elle montre simplement qu’on ne peut pas juger l’efficacité environnementale sur l’empreinte théorique d’une requête isolée.

La bonne unité de comparaison est le service réellement rendu. Pour mesurer une tâche, il faut additionner tout ce qui a été nécessaire à sa réussite : première tentative, relances, corrections, vérifications par un autre modèle et éventuel passage vers un modèle plus puissant.

Le modèle le plus sobre n’est donc pas nécessairement le plus petit. C’est celui qui atteint le niveau de qualité requis avec le moins de ressources au total. Cette logique complète utilement les estimations d’Impact’IA, qui reposent notamment sur les volumes de tokens renseignés.

Le temps humain est un autre indicateur

Il faut ajouter un critère : le temps de vérification humain. Une réponse médiocre peut être peu coûteuse à calculer, mais longue à contrôler, corriger et remettre en forme. Pour une entreprise, ce temps pèse sur l’efficacité et le retour sur investissement.

Il ne faut cependant pas le confondre avec l’empreinte carbone. Ce sont deux mesures complémentaires : d’un côté, les impacts environnementaux estimés du système technique ; de l’autre, le temps et l’attention nécessaires pour obtenir un livrable fiable. Les observer ensemble aide à décider, mais les fusionner produirait un indicateur artificiel.

Une équipe peut comparer plusieurs modèles sur un lot de tâches représentatives. Pour chacun, elle relève les tokens consommés jusqu’au résultat final, le nombre d’essais, la qualité obtenue et le temps de contrôle. Elle évite ainsi de supposer que le modèle le moins cher ou le plus puissant sera toujours le meilleur.

Une sobriété pragmatique, sans culpabilisation

Impact’IA a le mérite de rendre visibles des conséquences que les interfaces d’IA cachent habituellement. Son caractère open source et sa méthodologie documentée rappellent aussi qu’un résultat environnemental dépend d’hypothèses, de données parfois incomplètes et d’un périmètre défini.

La sobriété utile ne consiste pas à culpabiliser chaque utilisateur avant d’envoyer une requête. Elle consiste à choisir un modèle adapté, préparer une demande claire, limiter les échanges inutiles et évaluer le travail réellement accompli. Pour une tâche simple et répétitive, un modèle léger peut suffire. Pour une mission complexe, un modèle plus capable peut éviter une succession de tentatives infructueuses.

Notre test ne ferme donc pas le débat ; il l’améliore. L’empreinte de l’IA mérite d’être suivie avec sérieux, mais aussi avec proportion. Mesurer, comparer des tâches effectivement réussies et améliorer les pratiques est plus utile que transformer chaque usage en faute morale.