Lors d’un sommet sur l’IA en Inde, Sam Altman a défendu la consommation énergétique de l’intelligence artificielle en affirmant qu’ il faut aussi beaucoup d’énergie pour former un humain. La comparaison, rapportée par The Indian Express, intervient alors que l’industrie accélère ses investissements en data centers et en GPU. Elle a ravivé un débat sur le coût réel de l’IA, entre besoins électriques, eau de refroidissement et critiques éthiques.
À mesure que les modèles gagnent en taille et en usages, la question n’est plus seulement technologique. Elle devient économique, environnementale et politique, avec une bataille de récits entre industriels, chercheurs et ONG.
Sam Altman compare l’expertise humaine et l’expertise machine
La phrase de Sam Altman, It also takes a lot of energy to train a human, a été prononcée face à des questions sur l’énergie déjà consommée par l’IA et celle qui sera nécessaire demain, pour l’entraînement comme pour l’inférence. Son idée centrale est de déplacer le cadre de comparaison, en invitant à mesurer l’énergie totale dépensée pour produire un expert humain, puis à la mettre en regard de celle requise pour obtenir un expert machine. Dans cette logique, l’intelligence artificielle devient une alternative fonctionnelle à l’intelligence humaine, sur un terrain de compétition directe.
Le raisonnement repose sur une observation intuitive, former un spécialiste humain exige des années d’éducation, d’infrastructures, de déplacements et de ressources matérielles. De l’école primaire aux études supérieures, puis à la spécialisation, l’empreinte énergétique d’un parcours n’est pas nulle. Altman suggère aussi un avantage de vitesse, un système d’IA peut être formé en semaines ou en mois, puis répliqué et déployé à grande échelle, là où un humain ne peut pas être dupliqué.
Cette analogie, volontairement provocatrice, s’inscrit dans un discours plus large porté par une partie du secteur, l’IA serait un levier de productivité qui justifie des investissements massifs, y compris énergétiques, si le résultat est un gain économique et sociétal. Dans ce cadre, les coûts initiaux d’entraînement peuvent être présentés comme un investissement, comparable à la construction d’une université ou à la formation continue d’une population active.
Mais la comparaison soulève une difficulté conceptuelle, l’énergie associée à un humain ne se limite pas à former une compétence. Un individu consomme de l’énergie pour vivre, indépendamment de sa spécialisation, et sa valeur sociale dépasse sa productivité mesurée. En parlant d’ expert humain comme d’un produit à fabriquer, Altman adopte une grille utilitariste qui choque certains observateurs. Les critiques y voient un discours de déshumanisation qui réduit la vie humaine à un poste de dépense comparable à une ligne budgétaire de calcul intensif.
Au-delà de la formule, la sortie met en lumière une bataille d’interprétation, faut-il juger l’IA à partir de son coût marginal, par requête et par tâche, ou à partir de son coût total, incluant la construction des infrastructures, l’extraction des matériaux et l’alimentation électrique sur des années. Cette distinction pèse sur la manière de réguler, de taxer ou de subventionner le secteur.
Les accords Oracle et Nvidia illustrent la course aux infrastructures
La défense d’Altman intervient dans un contexte où l’industrialisation de l’IA s’accélère. OpenAI multiplie les annonces et partenariats pour sécuriser l’accès à la puissance de calcul, avec des accords cités dans l’actualité technologique, notamment avec Oracle et Nvidia. L’objectif est de garantir des capacités suffisantes pour entraîner les prochaines générations de modèles, ce qui implique des volumes importants de GPU, de réseaux à très haut débit et de stockage.
Derrière ces accords, il y a une réalité simple, l’IA moderne est une industrie lourde. Les modèles de pointe reposent sur des clusters de calcul qui mobilisent des milliers de puces, fonctionnant sur de longues périodes. Cette dynamique tire la demande en électricité, mais aussi en équipements, câbles, transformateurs, salles informatiques, et systèmes de refroidissement. L’empreinte ne se limite pas à la facture énergétique, elle inclut la chaîne d’approvisionnement, de la fabrication des semi-conducteurs aux matériaux nécessaires aux bâtiments.
Les acteurs du cloud et des semi-conducteurs y voient une opportunité stratégique. Pour Oracle, capter une part de la demande IA signifie remplir des régions cloud et signer des contrats pluriannuels. Pour Nvidia, cela se traduit par une pression constante sur la production de puces et sur l’écosystème logiciel qui les rend indispensables. Pour OpenAI, sécuriser cette capacité est un enjeu de souveraineté opérationnelle, sans accès prioritaire au calcul, la feuille de route produit et la recherche ralentissent.
Cette course pose aussi un problème de localisation. Les nouveaux centres de données se concentrent là où l’électricité est disponible, où les terrains sont accessibles et où la connectivité est robuste. Cela entraîne des tensions locales, sur les réseaux, sur l’usage de l’eau, sur l’acceptabilité sociale. Plusieurs juridictions examinent déjà des moratoires, des obligations de transparence ou des conditions de raccordement, en particulier quand les pics de consommation risquent de concurrencer d’autres usages.
Dans ce décor, la phrase d’Altman sert aussi à défendre une stratégie d’investissement. En comparant l’IA à la formation humaine, il cherche à normaliser l’idée que dépenser beaucoup d’énergie pour créer une intelligence utile est un choix rationnel. La question devient alors, à quelles conditions, avec quelles garanties, et avec quels bénéfices partagés.
Électricité, eau et matériel, les coûts réels de l’entraînement et de l’inférence
Les critiques sur l’énergie de l’IA visent deux postes distincts. D’abord l’entraînement, phase ponctuelle mais très intensive, où le modèle apprend à partir de masses de données. Ensuite l’inférence, c’est-à-dire l’usage quotidien, quand des millions d’utilisateurs interrogent le modèle, ce qui demande une puissance continue. Même si l’entraînement concentre l’attention, l’inférence peut devenir dominante à mesure que les services se généralisent.
À l’électricité s’ajoute un autre sujet, l’eau utilisée pour le refroidissement. Selon les technologies et les sites, les centres de données peuvent recourir à des circuits d’eau, à des tours de refroidissement ou à des systèmes hybrides. Dans des régions déjà sous stress hydrique, l’implantation d’infrastructures IA peut devenir politiquement sensible. Les opérateurs mettent en avant des améliorations, comme le free cooling dans les climats froids, ou des boucles fermées, mais les chiffres varient fortement selon les installations.
Le coût matériel compte aussi. Former et servir des modèles nécessite des serveurs, des batteries, des onduleurs, des réseaux internes, et une logistique de maintenance. La fabrication des puces implique des chaînes industrielles lourdes, avec des consommations d’eau ultra-pure et des produits chimiques. Dans le débat public, ces impacts amont sont souvent moins visibles que la consommation électrique directe, mais ils pèsent sur le bilan global.
Pour clarifier les ordres de grandeur, les analystes distinguent souvent trois niveaux, la consommation d’un modèle pendant son entraînement, la consommation par requête pendant l’usage, et l’empreinte totale d’un service incluant l’infrastructure. Cette décomposition permet de comparer plus proprement des approches techniques, par exemple des modèles plus petits spécialisés, contre des modèles généralistes très coûteux, ou des optimisations comme la quantification et le caching.
| Poste de coût | Ce qui consomme | Pourquoi cela compte | Levier de réduction |
|---|---|---|---|
| Entraînement | Clusters GPU, stockage, réseau | Pic d’énergie sur une période courte | Modèles plus compacts, meilleure efficacité logicielle |
| Inférence | Serveurs en continu, mise à l’échelle | Coût récurrent lié au volume d’usages | Optimisation des requêtes, routage, distillation |
| Refroidissement | Climatisation, eau, échangeurs | Tension locale sur ressources et réseaux | Sites adaptés, free cooling, boucles fermées |
| Matériel | Fabrication des puces, serveurs | Empreinte amont et dépendances industrielles | Allonger la durée de vie, recyclage, mutualisation |
Ces éléments expliquent pourquoi la discussion ne peut pas se limiter à l’IA consomme trop. Elle doit préciser, quel usage, quel modèle, quel site, et quel mix énergétique. Un centre de données alimenté par un réseau très carboné n’a pas le même impact qu’une installation raccordée à une électricité bas carbone, même si la consommation brute reste élevée.
La critique des 20 watts du cerveau et la dimension éthique
Les détracteurs d’Altman ont opposé un argument frappant, le cerveau humain fonctionnerait autour de 20 watts, une puissance faible comparée à des racks de serveurs. Cet ordre de grandeur, souvent cité dans la vulgarisation, sert à montrer que la biologie réalise des prouesses d’efficacité énergétique. La critique vise le cur de l’analogie, si le cerveau est si sobre, comparer l’énergie d’un data center à celle d’un humain serait trompeur.
Ce contre-argument a lui aussi ses limites. Les 20 watts concernent l’activité du cerveau, pas l’ensemble de l’organisme, ni l’énergie mobilisée par la société pour éduquer, nourrir, loger, transporter et soigner une personne pendant des années. De plus, l’efficacité énergétique ne dit pas tout, une machine peut être énergivore mais produire une valeur économique qui change l’équation, tandis qu’un humain a une valeur intrinsèque indépendante de toute comparaison comptable.
La polémique est aussi éthique. Parler de former un humain comme on entraîne un modèle peut être perçu comme une manière de réduire la personne à une fonction productive. Dans un contexte de craintes sur l’automatisation, ce type de formulation alimente l’idée que certains dirigeants technologiques envisagent le travail humain comme un coût à remplacer. Même si l’intention est de défendre l’IA, la rhétorique peut aggraver la défiance.
Sur le plan politique, cette défiance se traduit par des demandes de transparence. Les régulateurs et la société civile réclament des données plus précises sur la consommation des modèles, l’origine de l’électricité, l’usage de l’eau et les engagements de réduction. Certains acteurs du secteur répondent par des rapports environnementaux et des objectifs de neutralité carbone, mais la comparabilité reste difficile, faute de standards communs sur la mesure et la publication.
Le débat se déplace aussi vers la question de l’allocation des ressources. Dans un monde où l’électricité et l’eau peuvent être contraintes localement, l’arbitrage entre usages devient inévitable. Les défenseurs de l’IA mettent en avant des gains potentiels, optimisation de réseaux, efficacité industrielle, aide à la recherche médicale. Les critiques demandent des preuves, cas d’usage, bénéfices publics, et mécanismes pour éviter que la facture environnementale soit supportée par des territoires qui ne profitent pas des retombées.
Crédit image : Sdkb / wikimedia (CC BY-SA 4.0)
