Cadres, exemples concrets et organisation

Lois européennes et françaises

• AI Act : première loi mondiale sur l'IA, en vigueur depuis août 2024. 4 niveaux de risque : inacceptable, haut, limité, minimal ; il vise surtout à contrôler les deux premiers. Les fournisseurs de modèles généralistes (GPAI) doivent déclarer leurs impacts environnementaux et consommations énergétiques (ils ne le font pas, ou peu, pour l'instant).
• Directive européenne sur l'efficacité énergétique : les datacentres doivent déclarer électricité et eau.
• France : en mettant en œuvre l'AI Act, les entreprises seront régulées par la CNIL ou la DGCCRF. La « Stratégie nationale pour l'IA » favorise la recherche et les startups (109 milliards d'euros seront prochainement investis dans des datacentres IA), tout en ayant un ministère de la Transition écologique moteur de l'IA durable : c'est le « en même temps » de la France.

Les référentiels

Exemples concrets d'IA frugale

• « AI for Good » : une IA n'est « for good » que si ses bénéfices dépassent largement ses impacts, durablement, et si la différence est mesurable. Les exemples des GAFAM ne répondent pas à ce critère ; les IA les plus bénéfiques (prédictions météo) ne sont ni génératives ni agentiques. Le CO2 reste 100+ ans dans l'atmosphère alors que les bénéfices de l'IA sont spéculatifs et à long terme.
• Datacentres Google : -40 % d'énergie dans l'un d'eux (2016, DeepMind) et 17 % d'économies d'énergie sur la climatisation (2022, reinforcement learning) grâce à l'IA ; mais un futur datacentre au Texas (près de 1 GW) tournera au gaz naturel.
• Frugal AI Challenge (AI Action Summit, février 2025, 60+ développeurs) : 5 à 60 fois moins d'énergie que des LLM : audio pour Rainforest Connection (x60), texte pour QuotaClimat (x5), images pour Pyronear (x10).
• 12 villes françaises expérimentent l'IA frugale (subvention de 20 millions d'euros via France 2030) : Metz, Paris Est, Brivadois, Bordeaux Métropole, Occitanie...
• Orange : « AI Carbon Value Calculator » (via EcoLogits) intégré à la validation des business cases ; Salesforce : 3 piliers (Smart demand, Efficiency, Clean supply), modèles frugaux comme xLAM-2-8B ; SNCF GPT : affiche le CO2eq (via EcoLogits) et le coût en euros par message, choisit le modèle le mieux adapté.
• Scaleway : hébergement en France, électricité 10 fois moins carbonée qu'aux États-Unis, 30 à 40 % d'énergie de refroidissement en moins, 680 euros par mois pour un modèle de 7-8B contre 1200 euros chez Azure, souveraineté des données.
• Photoroom : modèles maison, 2 secondes au lieu de 2 minutes par image ; publie l'impact par requête de ses 3 modèles (12, 19 et 32 mg de CO2) ; évite l'effet rebond (moins de shootings photo).
• Terra Cognita : diagnostic data/IA frugale. Pré-dispatcher des missions avec un algorithme : oui. Un chatbot LLM pour répondre aux demandes de données : non, des dashboards statiques suffisent sans générer 150 kg de CO2e par mois (estimation).

Trois scénarios et leurs impacts

Dans tous les cas : usage seulement quand nécessaire, avec green prompting.

Dans mon organisation

1. Questionner le besoin.
2. Engager le dialogue avec des arguments adaptés : CODIR (coût, sécurité, réglementation, innovation, souveraineté), DSI (efficacité, optimisation des coûts, ressources), RSE (réduction des impacts).
3. Fixer des limites à ne pas dépasser (exemple avec EcoLogits et The Shift Project).
4. Acculturer en interne : Frugal AI Switchboard, Charte IA Responsable, formations.

Chartes d'exemple : Shippeo (confidentialité, limiter le shadow AI avec 1 LLM « officiel », durabilité : données nécessaires seulement, green prompting ; intégrée au règlement intérieur) ; Groupe La Poste (charte Data & IA, services « centrés sur l'humain », 2 grilles d'évaluation pour tout commanditaire de système IA : confidentialité, infrastructures, RH, santé, sécurité).