Vers une IA sobre et responsable : le cadre de l’État pour acheter et concevoir une IA frugale

La sobriété de l’intelligence artificielle n’est plus un vœu pieux réservé aux rapports de développement durable. Depuis 2022, la course aux modèles géants a fait exploser la demande en électricité, en eau et en métaux des centres de données, au point que l’Agence internationale de l’énergie parle désormais d’un enjeu de réseau électrique. En France, l’État a réagi en décembre 2025 par une fiche pratique destinée aux acheteurs publics, qui fixe pour la première fois des exigences précises aux fournisseurs de solutions d’IA : questionner la nécessité, dimensionner le modèle au besoin, mesurer et publier les impacts, limiter les réentraînements, gérer le cycle de vie des données, évaluer les effets sociaux. Ce cadre ne concerne officiellement que la commande publique, mais il constitue aujourd’hui la meilleure grille disponible pour toute organisation qui veut acheter ou concevoir une IA sobre et responsable. Cet article en restitue la logique et propose ce qu’une entreprise privée peut en retenir.

Article publié en décembre 2025 et entièrement réécrit en septembre 2026. La première version résumait, sans la citer, la « Fiche pratique pour l’achat responsable de solutions d’intelligence artificielle » publiée le 5 décembre 2025 par la DINUM, la Direction des achats de l’État et l’Ecolab du CGDD ; cette version la cite explicitement, en vérifie les chiffres et l’adapte au contexte des entreprises.

Pourquoi la sobriété devient un impératif

Les chiffres qui fondent la fiche sont publics et récents. Selon l’actualisation ADEME-Arcep de novembre 2024, le numérique représentait 4,4 % de l’empreinte carbone de la France en 2022, et les centres de données pesaient 46 % de cette empreinte, quasiment à égalité avec les terminaux. Côté électricité, l’Agence internationale de l’énergie estime dans son rapport « Energy and AI » d’avril 2025 que les centres de données ont consommé 415 TWh en 2024, soit 1,5 % de l’électricité mondiale, et que cette consommation devrait plus que doubler d’ici 2030 pour atteindre environ 945 TWh, un peu plus que la consommation totale du Japon aujourd’hui. L’IA en est le premier moteur.

À la pression carbone s’ajoutent deux tensions moins visibles. L’eau, d’abord : le refroidissement d’un grand centre de données peut engloutir chaque année l’équivalent de 2 500 piscines olympiques, selon l’estimation du CESE reprise par la fiche. Les métaux, ensuite : la Banque de France alerte sur les risques d’approvisionnement et de volatilité des prix du cuivre, dont les infrastructures numériques sont grandes consommatrices. Autrement dit, la facture d’une IA ne se lit pas seulement en tonnes de CO₂ ; elle se lit aussi en mètres cubes et en tonnes de métal, et ces ressources sont localisées, donc soumises à des conflits d’usage.

Avant tout projet : trois questions que la plupart des équipes sautent

Le premier apport de la fiche est d’imposer un questionnement préalable, avant le moindre cahier des charges. Première question : l’IA est-elle nécessaire pour répondre au besoin défini ? Beaucoup de besoins se satisfont d’une règle métier, d’une automatisation classique ou d’une simple réorganisation, à un coût environnemental et financier sans commune mesure. Deuxième question : la valeur ajoutée justifie-t-elle les impacts ? La fiche demande d’intégrer une évaluation des effets environnementaux et sociaux dans la décision elle-même, pas dans une annexe rédigée après coup. Troisième question : quels effets rebond risquent d’annuler les gains ? Un assistant qui rédige dix fois plus vite produit souvent dix fois plus de documents ; un modèle plus efficace par requête peut se retrouver sollicité cent fois plus. Les gains unitaires ne disent rien du bilan global tant qu’on n’a pas regardé les volumes.

Ce questionnement paraît évident ; il est rarement documenté. Dans les organisations que nous accompagnons, la question « pourquoi de l’IA ici ? » est en général tranchée par l’enthousiasme d’un sponsor ou par la disponibilité d’un outil déjà sous licence. L’écrire noir sur blanc, avec le scénario d’usage, ses limites et les alternatives écartées, est le geste le plus économe qui soit : il arrête les projets qui n’auraient pas dû commencer.

Dimensionner le modèle au besoin, pas au catalogue

Une fois l’IA justifiée, le premier levier de sobriété est le choix du modèle. Le type et la taille doivent correspondre au niveau de précision réellement attendu : inutile de mobiliser un modèle de plusieurs centaines de milliards de paramètres pour classer des tickets de support quand un modèle compact, voire un modèle spécialisé de quelques millions de paramètres, atteint déjà la qualité requise. Le même raisonnement vaut pour le volume de données d’entraînement, pour le nombre d’entraînements et pour l’hébergement.

Les techniques d’allègement sont désormais matures et doivent figurer dans les échanges avec les fournisseurs : l’élagage (pruning) supprime les connexions peu utiles d’un réseau, la quantification (quantization) réduit la précision numérique des poids sans dégrader sensiblement la performance métier, la distillation transfère les capacités d’un grand modèle vers un petit. Surtout, la réutilisation de modèles pré-entraînés, ajustés sur un jeu de données réduit, évite de payer plusieurs fois le coût le plus lourd, celui de l’entraînement initial. Pour l’acheteur, la bonne question n’est pas « quel est votre meilleur modèle ? » mais « quel est le plus petit modèle qui tient l’objectif de qualité, et comment le prouvez-vous ? ».

Mesurer et publier : la transparence comme condition d’achat

On ne pilote que ce que l’on mesure. La fiche s’appuie sur deux référentiels français : le Référentiel général d’écoconception de services numériques (RGESN), dont 7 des 79 critères visent spécifiquement l’IA, et l’AFNOR Spec 2314 sur l’IA frugale, qui rassemble 31 bonnes pratiques pour évaluer et réduire l’impact environnemental d’un système d’IA. Les fournisseurs les plus avancés publient déjà une déclaration d’écoconception inspirée du RGESN, avec un score sur 100 qui rend leur niveau d’exigence comparable d’une offre à l’autre.

Trois outils ouverts et gratuits permettent d’instrumenter la mesure : Green Algorithms estime la consommation énergétique et l’impact carbone d’un algorithme en distinguant entraînement et inférence ; CodeCarbon mesure la consommation en cours d’exécution ; Ecologits adopte une approche multicritère (énergie, carbone, eau, ressources abiotiques) sur les appels aux grands modèles. L’exigence utile est de descendre à la granularité de l’usage : l’impact d’une inférence, d’une heure de service, d’un parcours utilisateur complet. C’est à ce niveau que les équipes métier peuvent arbitrer, avec la même rigueur que pour un coût financier.

Réentraînement et complexité : deux clauses qui changent tout

L’entraînement est la phase la plus coûteuse d’un système d’IA, et le réentraînement périodique en multiplie le coût sans que le client en perçoive toujours le bénéfice. La fiche demande au titulaire de limiter le nombre de réentraînements aux stricts besoins des utilisateurs : documenter la cadence, justifier chaque itération, en chiffrer la consommation et s’engager à n’opérer que les mises à jour nécessaires. Un modèle qui répond correctement n’a pas besoin d’être réentraîné parce que le calendrier le prévoit.

La clause d’adaptation de la complexité en est le pendant : le fournisseur ne doit pas alourdir le modèle sans concertation, et il doit offrir la possibilité de rester sur une version antérieure si elle suffit aux besoins. Cette clause vise directement la pratique, devenue courante chez les éditeurs, qui consiste à migrer d’office tous les clients vers le dernier modèle, plus gros et plus gourmand, alors que la version précédente tenait parfaitement l’usage. Pour une entreprise, elle se traduit par une exigence simple dans le contrat : le choix de la version du modèle appartient au client, pas à l’éditeur.

Les données : cycle de vie, rétention, localisation

Le troisième volet porte sur les données, dont le stockage et le déplacement pèsent lourd dans l’empreinte matière et énergétique. La fiche demande de définir le cycle de vie complet des données, de leur collecte jusqu’à leur suppression : distinguer les stockages « chauds », accessibles en permanence, des stockages « froids » moins consommateurs, fixer des durées de rétention minimales et supprimer les données obsolètes. Cette discipline sert deux objectifs à la fois, puisque la minimisation des données est aussi une obligation du RGPD.

La localisation des centres de données doit être rendue publique. Elle détermine l’intensité carbone de l’électricité consommée (un kilowattheure en France émet plusieurs fois moins qu’en Pologne ou en Virginie), la pression sur la ressource en eau locale et le régime juridique applicable aux informations sensibles. Un fournisseur qui ne sait pas dire où tournent ses modèles ne peut pas répondre aux questions environnementales, ni aux questions de souveraineté.

La responsabilité ne s’arrête pas à l’environnement

L’IA embarque une dimension sociale que la fiche traite à égalité avec l’environnement. Elle rappelle la multiplication des travailleurs de l’ombre, des mines aux annotateurs, modérateurs et autres data workers dont dépendent les modèles. Elle pose que l’organisation qui recourt à une IA reste responsable de l’équité des résultats, ce qui suppose d’exiger l’explicabilité, l’évaluation des biais et la garantie des droits des personnes. Elle demande enfin d’anticiper les modifications des conditions de travail et des métiers, et de respecter la protection des données personnelles conformément au RGPD.

Pour une entreprise, ce volet rejoint les obligations de l’AI Act sur les systèmes à haut risque et le dialogue social sur l’introduction de nouvelles technologies. Il est plus simple à traiter en amont, dans le cahier des charges et dans une charte d’usage, qu’après le premier incident de discrimination ou le premier conflit avec les représentants du personnel.

Traduire les exigences en clauses : du sourcing au règlement de consultation

Tout commence par un sourcing solide. Identifier les développeurs, intégrateurs et hébergeurs, leur poser des questions uniformes sur leurs pratiques d’écoconception, leur démarche d’inclusion et leurs plans de vigilance, permet d’éviter les angles morts et de calibrer des exigences réalistes, ni décoratives ni impossibles à tenir. La fiche organise ensuite la traduction contractuelle en trois documents.

Le CCAP porte les engagements généraux : former les équipes du titulaire au numérique responsable, IA comprise ; mesurer et communiquer la consommation énergétique, les émissions de CO₂ et l’usage de l’eau ; qualifier précisément l’apport de valeur de l’IA par rapport à la solution antérieure ; respecter les normes environnementales en vigueur. Le CCTP fixe les règles techniques : déclarer les indicateurs d’impact (émissions en CO₂eq, consommation d’eau, énergie totale en kWh), limiter les réentraînements, préserver la possibilité de rester sur une version antérieure du modèle, définir le cycle de vie des données. Le règlement de consultation, enfin, donne du poids à tout cela : la Direction des achats de l’État recommande un critère environnemental pondéré à au moins 10 % de la note totale, et un critère social également à 10 %, de sorte que ces exigences pèsent réellement sur le choix de l’offre au lieu de rester un vœu.

Les hébergeurs mis à contribution

L’infrastructure est le dernier maillon, et la fiche ne l’oublie pas. Les hébergeurs doivent publier leurs indicateurs d’efficacité : le PUE (efficacité énergétique du site), le WUE (efficacité de l’usage de l’eau) et le CUE (intensité carbone). Ils doivent proposer de placer les phases d’entraînement sur des périodes de faible intensité carbone du réseau électrique, mettre à disposition des outils qui facilitent la conception d’IA plus responsables, et permettre de capitaliser sur des modèles pré-entraînés plutôt que de tout recalculer. Cette transparence élargie évite les transferts d’impact, où l’on déplace le problème d’un fournisseur à un sous-traitant, et elle encourage l’usage des capacités sous-utilisées et des heures creuses pour les calculs les plus gourmands.

Ce qu’une entreprise privée peut en retenir

Rien n’oblige une entreprise à appliquer un cadre conçu pour la commande publique, mais rien ne l’en empêche non plus, et l’exercice est peu coûteux. Cinq réflexes suffisent pour transposer l’essentiel. Documenter, pour chaque projet, la réponse aux trois questions préalables : nécessité, valeur ajoutée face aux impacts, effets rebond. Demander à chaque fournisseur le plus petit modèle qui tient l’objectif de qualité, et la preuve. Exiger dans le contrat les indicateurs d’impact par usage, la maîtrise des réentraînements et le droit de rester sur une version antérieure. Fixer une politique de rétention des données et connaître la localisation des traitements. Et inscrire ces règles dans la charte d’usage de l’IA, pour qu’elles s’appliquent aussi aux outils que les équipes adoptent sans passer par un appel d’offres.

Le résultat n’est pas seulement écologique. Une IA dimensionnée au besoin coûte moins cher à faire tourner, expose moins aux hausses de tarifs des éditeurs, résiste mieux aux audits réglementaires et inspire davantage confiance aux utilisateurs comme aux clients. L’IA de demain ne sera pas seulement plus puissante ; elle devra surtout être plus pertinente, plus transparente et plus humaine. Les organisations qui posent ces règles maintenant y seront prêtes ; les autres les découvriront dans un cahier des charges qu’elles n’auront pas écrit.

Sources. DINUM, Direction des achats de l’État et Ecolab du CGDD, Fiche pratique pour l’achat responsable de solutions d’intelligence artificielle, 5 décembre 2025, pour le questionnement préalable, les clauses et les référentiels cités ; ADEME et Arcep, actualisation de l’empreinte environnementale du numérique en France (données 2022), novembre 2024 ; Agence internationale de l’énergie, Energy and AI, avril 2025.

Pour aller plus loin : notre analyse sur la transparence environnementale de l’IA générative et notre article sur l’énergie comme avantage compétitif dans la course à l’IA.