Ce septième épisode ouvre le dernier mouvement de la trilogie, « Dans la cité » — après l'autre (Accompagner, Transmettre, Protéger) et l'équipe (Assumer, Partager, Se positionner), la place du citoyen.
Le problème
Une requête, ça n'a l'air de rien
Tu tapes une question, une réponse arrive en quelques secondes, tu passes à la suivante. Rien dans cette expérience ne donne l'impression qu'il se passe quoi que ce soit de physique : pas de bruit de moteur, pas de fumée, pas de facture immédiate sous les yeux. Et pourtant, chaque requête met en mouvement une chaîne bien réelle — des serveurs qui chauffent, de l'eau qui circule pour les refroidir, des données humaines qui ont nourri l'entraînement du modèle, et des personnes, quelque part, qui ont trié et annoté des millions d'exemples pour que la machine sache reconnaître un CV d'une lettre de motivation.
En Mission Locale, ça donne ce genre de scène : un conseiller lance une dizaine de requêtes par jour — reformuler un mail, générer une image pour un support, résumer un compte rendu — sans jamais s'être demandé si toutes ces tâches avaient besoin du même outil, ni ce que chacune coûte réellement. Ce n'est pas de la négligence : c'est que rien, dans l'interface, n'invite à se poser la question.
Ce que ce septième épisode fait, c'est nommer ce coût — pas pour culpabiliser un usage individuel qui pèse, à l'échelle, assez peu, mais pour donner les moyens de choisir en connaissance de cause.
Chaque requête a un coût. Le connaître, ce n'est pas culpabiliser — c'est choisir en connaissance de cause.
La méthode
Quatre coûts qu'on ne voit jamais depuis le clavier
Derrière chaque réponse générée, quatre coûts se cumulent, invisibles depuis ton écran :
L'énergie. Faire tourner un modèle d'IA — surtout un modèle « lourd » de raisonnement complexe ou de génération d'image — consomme de l'électricité, dans des centres de données qui tournent 24 heures sur 24.
L'eau. Cette électricité produit de la chaleur, qu'il faut évacuer : de nombreux data centers utilisent de l'eau pour leurs systèmes de refroidissement, en quantités qui se comptent par centre en millions de litres chaque année.
Les données. Les modèles ont été entraînés sur des quantités massives de textes, d'images, de conversations — largement issus du travail et de la création de millions de personnes, rarement consultées ni rémunérées pour cet usage.
Le travail caché. Avant qu'un modèle sache distinguer une réponse utile d'une réponse toxique, des humains — souvent des travailleurs sous-traités dans des pays à bas coût de main-d'œuvre — ont annoté, trié et modéré des millions d'exemples, pour des salaires très inférieurs à ceux du secteur.
Connaître l'ordre de grandeur de ce coût ne sert pas à culpabiliser une requête isolée — cela change la façon de choisir : la fréquence d'usage, le choix entre un modèle lourd et un modèle léger, et surtout la question qu'on ne se pose presque jamais : est-ce que j'ai vraiment besoin de l'IA pour cette tâche précise ?
💡 C'est quoi, un « modèle léger » vs un « modèle lourd » ?
Un modèle léger répond vite à des tâches simples (reformuler une phrase, corriger une faute) avec peu de calcul. Un modèle lourd — raisonnement complexe, génération d'image ou de vidéo — mobilise beaucoup plus de puissance de calcul, donc plus d'énergie, pour un même usage.
L'atelier
Peser ses usages en 3 maillons
Situation : tu veux comprendre l'ordre de grandeur du coût de tes usages IA, adopter un réflexe de sobriété avant de lancer une requête lourde, et apprendre à comparer concrètement l'impact de différents modèles. Trois maillons, à faire une fois pour installer le réflexe.
Un ordre de grandeur pour une tâche typeLivrable : une fourchette réaliste, pas un chiffre inventé
Prends une tâche que tu fais souvent — générer un compte rendu d'entretien — et compare-la à deux usages très différents : un modèle « léger » pour cette même tâche de texte simple, et un usage « lourd » type génération d'image ou raisonnement complexe poussé. L'idée n'est pas d'obtenir un chiffre précis au gramme de CO₂ près — les études varient selon les modèles et les data centers — mais de retenir un ordre de grandeur :
| Usage | Ordre de grandeur (indicatif) |
|---|---|
| Question courte à un modèle léger (reformuler une phrase, corriger un mail) | Comparable à quelques secondes d'ampoule LED allumée |
| Réponse longue d'un modèle de raisonnement complexe (analyser un dossier, générer un plan détaillé) | Nettement plus — de l'ordre de dizaines de fois l'usage léger |
| Génération d'une image ou d'une vidéo | Parmi les usages les plus coûteux d'un usage courant de l'IA |
Point de contrôle : retiens l'ordre de grandeur (« un modèle lourd coûte nettement plus qu'un modèle léger »), pas un chiffre précis — les chiffres exacts varient selon les sources et vieillissent vite ; l'ordre de grandeur, lui, reste vrai plus longtemps.
Le réflexe « juste besoin » avant une requête lourdeLivrable : une question à te poser avant de lancer
Avant de lancer une requête qui sollicite un modèle lourd, prends trois secondes pour te demander si la tâche a vraiment besoin de cette puissance — ou si un outil plus simple suffit. C'est l'écho d'Outiller (Cycle 2, épisode 06), mais ici du point de vue du coût plutôt que de la seule adéquation à la tâche :
Pour cette tâche : [ex. « retrouver la date d'une aide, générer une illustration pour un atelier, résumer un long rapport »] - Est-ce que je connais déjà la réponse, ou une recherche classique suffirait ? [oui/non] - Est-ce que cette tâche a vraiment besoin d'un modèle de raisonnement complexe ou d'une génération d'image, ou un modèle léger / un outil plus simple ferait l'affaire ? [oui/non] - Si je peux répondre « oui, un outil plus simple suffit » à l'une des deux questions : je change d'outil avant de lancer.
Point de contrôle : ce réflexe ne vise pas à te faire renoncer à l'IA — il vise à réserver les modèles lourds aux tâches qui en ont vraiment besoin, et à garder les modèles légers ou une recherche classique pour le reste.
Utiliser Compar:IA pour comparer l'impact des modèlesLivrable : une première comparaison faite toi-même
Compar:IA (comparia.beta.gouv.fr) est une plateforme publique française qui permet de comparer plusieurs modèles d'IA à l'aveugle, sans créer de compte, dans le respect du RGPD — et qui affiche l'impact énergétique estimé de chaque réponse. Ce lien mérite sa place dans l'encart RGPD du site : cet épisode en est le développement complet.
1. Va sur comparia.beta.gouv.fr — aucun compte nécessaire. 2. Pose la même question à deux modèles différents affichés côte à côte, à l'aveugle (tu ne sais pas lequel est lequel avant d'avoir voté). 3. Compare les deux réponses, puis regarde l'impact énergétique affiché pour chacune. 4. Vote pour la réponse que tu préfères — cela sert aussi à la recherche publique française sur l'évaluation des modèles. 5. Recommence une fois par mois, sur une tâche réelle de ton quotidien, pour garder ce réflexe de comparaison vivant.
Point de contrôle final : après une ou deux comparaisons, tu devrais pouvoir répondre à cette question sans hésiter : pour mes tâches les plus courantes, un modèle léger suffit-il, ou ai-je vraiment besoin d'un modèle lourd ?
Le revers
Deux pièges symétriques : la culpabilisation et le « c'est trop gros pour compter »
Le premier piège est la culpabilisation individuelle : se sentir personnellement responsable du coût environnemental de l'IA, au point de culpabiliser chaque requête. Cette posture ignore l'échelle réelle du problème — l'usage individuel d'un conseiller ou d'un jeune pèse peu face à l'entraînement des modèles et au fonctionnement industriel des data centers. La vraie responsabilité est largement structurelle : elle concerne les entreprises qui conçoivent les modèles et choisissent où et comment construire leurs infrastructures.
Le second piège est son symétrique inverse : le « c'est trop gros pour que ça compte », qui dédouane de tout geste personnel sous prétexte que le problème dépasse l'individu. Cette posture confond « la responsabilité principale n'est pas la mienne » avec « rien de ce que je fais n'a d'importance » — ce qui n'est pas la même chose.
Connaître l'ordre de grandeur, sans culpabiliser ni ignorer : ce n'est ni se flageller pour chaque requête, ni se dédouaner de tout geste sous prétexte que le problème est structurel. C'est simplement choisir, en connaissance de cause, quand un modèle lourd est justifié et quand il ne l'est pas.
À retenir
Peser le vrai coût de l'IA, c'est connaître l'ordre de grandeur énergie/eau/données/travail caché derrière une requête, adopter le réflexe « juste besoin » avant de lancer un modèle lourd, et utiliser Compar:IA pour comparer concrètement l'impact des modèles. Ni culpabilisation individuelle, ni « c'est trop gros pour compter » : un citoyen informé choisit en connaissance de cause.
« Chaque requête a un coût. Le connaître, ce n'est pas culpabiliser — c'est choisir en connaissance de cause. »
Vérifie ce que tu as retenu
✏️ Quiz — Testez vos connaissances
24 questions sur cet épisode, réparties en 3 niveaux de 8. QCM et Vrai/Faux mélangés — choisis ton niveau.
Pour aller plus loin
Bibliothèque de liens
Sur ce site
Penser avec l'IA — la sérieLe hub de la trilogie, avec les trois cycles.- OutillerCycle 2, épisode 06 : choisir le bon outil pour la bonne tâche, ici prolongé sous l'angle du coût plutôt que de la seule adéquation.
- Se positionnerÉpisode 06 du Cycle 3 : dernier épisode du mouvement « Avec les autres » qui précède celui-ci.
Ailleurs
- Compar:IAPlateforme publique française : comparaison de modèles d'IA à l'aveugle, sans compte, RGPD, avec affichage de l'impact énergétique.
