Faut-il utiliser moins d’intelligence artificielle pour l’utiliser de manière plus responsable ? À mesure que les usages se généralisent et que leurs coûts financiers et/ou environnementaux deviennent significatifs, une autre logique s’impose : celle de la proportionnalité. Mobiliser le bon modèle, au bon niveau de puissance, pour un bénéfice qui le justifie.
Décryptage avec Valentin Fenniche, Responsable des outils d’IA et Clément Lucas, référent Numérique Responsable chez CGI.
L’IA responsable est souvent associée à des principes éthiques. Pourquoi l’idée de proportionnalité est clé ?
Parce qu’elle permet de ramener la responsabilité à des décisions très concrètes. Pendant longtemps, l’IA générative a donné l’impression d’être une ressource presque gratuite et sans limites. Pour l’utilisateur, une requête supplémentaire ne semblait rien coûter. Mais derrière cette requête, il y a des modèles, des GPU1, de l’électricité, des data-centers et donc un coût à la fois financier et environnemental. À partir du moment où ces coûts « explosent », une question simple émerge : est-ce que les ressources que je mobilise sont proportionnées à ce que j’essaie d’obtenir ?
Un usage très consommateur est nécessairement un mauvais usage
C’est justement là que la notion de proportionnalité est importante. On peut parfaitement mobiliser un modèle très puissant pour analyser un dossier complexe, préparer une recommandation ou travailler sur une proposition commerciale stratégique. Si cette utilisation permet de remporter un appel d’offres ou de résoudre un problème complexe, le retour sur investissement peut justifier les ressources consommées.
Le problème apparaît lorsqu’on conserve le même niveau de puissance pour des tâches qui n’en ont plus besoin. Une fois la structure d’une proposition commerciale réalisée grâce à un modèle avancé, faut-il continuer avec le même modèle pour un paragraphe ? Probablement pas. L’IA responsable consiste donc à adapter les moyens au résultat recherché.
D’autres leviers que le choix du modèle de LLM ?
La sobriété dépend aussi beaucoup des usages : multiplier les petites demandes peut obliger le système à reprendre régulièrement l’ensemble du contexte de la conversation. Il est donc souvent plus efficace de formuler précisément son besoin dès le départ plutôt que d’enchaîner vingt corrections phrase après phrase.
Le même principe vaut pour les documents. Lors d’ateliers de formation, nous avons par exemple constaté que convertir certains PDF en formats textuels plus légers permettait de réduire la quantité d’informations à traiter par le LLM.
Cela montre quelque chose d’important : une partie de la sobriété de l’IA passera probablement moins par des contraintes techniques que par une meilleure maîtrise de l’outil et de ses usages.
Proportionnalité : quels concepts peut-on mobiliser pour l’objectiver ?
Chez CGI, nous nous appuyons dans un premier temps sur les concepts de FinOps et de GreenOps. Ils constituent une première base indispensable : comprendre les ressources consommées, leurs coûts et leur impact environnemental, avec un objectif de sobriété.
Mais avec l’IA, il faut aller plus loin et intégrer cette sobriété dans une équation plus globale. Deux modèles peuvent avoir des coûts et des impacts environnementaux très différents tout en produisant des résultats de qualité comparable sur une tâche donnée. À l’inverse, certaines situations peuvent justifier de mobiliser davantage de ressources lorsqu’elles nécessitent un niveau de performance supérieur.
L’enjeu devient alors de mettre en perspective plusieurs dimensions : la consommation de ressources, le coût, l’impact environnemental, la performance obtenue et la valeur créée. C’est cette logique plus large que nous développons autour de l’AI Economics : faire de la sobriété non pas une contrainte isolée, mais l’un des critères permettant d’arbitrer l’utilisation des ressources IA.
Encore faut-il être capable de mesurer cette consommation…
C’est précisément l’un des enjeux. Les coûts financiers deviennent progressivement plus visibles avec la facturation à l’usage, les crédits ou les tokens. L’impact environnemental reste plus difficile à évaluer, notamment parce que toutes les données ne sont pas encore disponibles auprès des fournisseurs.
Chez CGI, un dashboard est déja disponible pour permettre aux collaborateurs de suivre la consommation associée à plusieurs outils d’IA. L’ambition est progressivement d’aller plus loin en rapprochant cette consommation des coûts, des impacts environnementaux, mais également des résultats obtenus et de la valeur créée.
Car la sobriété ne peut réellement entrer dans les décisions que si elle devient mesurable. À terme, l’objectif est de disposer des éléments permettant d’arbitrer : faut-il réellement mobiliser ce modèle pour cette tâche ? Un modèle plus léger peut-il produire un résultat comparable ? Le gain attendu justifie-t-il les ressources supplémentaires consommées ? C’est en intégrant ces différentes dimensions dans une même équation que l’on pourra passer de la simple mesure à un véritable pilotage de l’IA.
La sensibilisation individuelle est indispensable : comprendre que tous les modèles n’ont pas le même coût, apprendre à mieux formuler ses demandes, vérifier le modèle sélectionné… Mais l’organisation doit aussi créer les conditions de ces bons usages, en définissant des règles simples, des outils adaptés et des pratiques partagées.
La logique de proportionnalité commence-t-elle à apparaître dans les politiques d’IA des entreprises ?
Oui, même si les termes employés peuvent différer. Les laboratoires Pierre Fabre ont par exemple défini un principe selon lequel le recours à l’IA doit être mis en balance avec les bénéfices attendus et ses impacts, notamment environnementaux. EDF a de son côté défini plusieurs principes d’IA responsable examinés lorsqu’un projet prévoit d’intégrer de l’IA générative. Chez CGI en France, nous avons signé la Charte IA responsable de l’Institut du Numérique Responsable, qui repose notamment sur une IA au service de l’humain, inclusive et éthique, de confiance et écoresponsable.
