Sobriété de l'IA · right-sizing

La même tâche, 4 IA. ~100 000× d'écart d'énergie.

Trier un mail (commande / SAV / spam) — énergie consommée par mail · échelle logarithmique
1
Règles (mots-clés / regex)
local · rien ne sort
≈ 0quelques tests
2
Petit réseau (dans le navigateur)
local · rien ne sort
~0,000001 WhµJ, appareil déjà allumé
3
Embeddings locaux
local · rien ne sort
~0,0001 Wh1 inférence CPU
4
Gros LLM dans le cloud
cloud · tes données partent
~0,3 Whfourchette 0,1–3 Wh
1 nWh1 µWh1 mWh1 Wh
Utiliser un gros LLM cloud pour ça, c'est prendre une fusée pour aller chercher le pain — ~10⁵–10⁶× plus d'énergie, pour exactement la même sortie. Et ce n'est même pas l'argument le plus fort : c'est aussi plus cher, plus lent, et tes mails partent chez un tiers.
La bonne question n'est pas « quel est le plus gros modèle ? » mais « quel est le plus petit qui résout le problème ? » — plus sobre, moins cher, plus rapide, plus privé.
Note — estimations, ordres de grandeur. L'énergie d'une requête LLM (~0,1–3 Wh) n'est pas publiée par les fournisseurs — on raisonne en échelle, pas au gramme près. Le point n'est pas le CO₂ d'un seul mail (négligeable) mais le ratio absurde × l'échelle (une entreprise = des millions d'opérations) + coût + latence + confidentialité.
Démos qui tournent vraiment dans ton navigateur, zéro cloud → demo-ia.d1dev.fr · Approche par les contraintes réelles (Physique & Économie de l'IA) →