Les agents IA peuvent consommer 136 fois plus d’énergie qu’une IA générative classique, selon une étude

Demander une réponse à une intelligence artificielle semble presque anodin. Mais lorsqu’elle commence à réfléchir, naviguer sur le Web et utiliser des outils de façon autonome, la facture énergétique change brutalement. Jusqu’où pourra-t-on multiplier ces assistants sans repenser leur fonctionnement ?

Les agents IA transforment les simples réponses en chaînes d’actions complexes

Une IA générative classique reçoit une question, calcule une réponse puis s’arrête. En revanche, un agent IA décompose une mission, cherche des informations, lance du code, vérifie un résultat et recommence. Ainsi, il ne se contente plus de parler : il enchaîne des actions, comme un assistant numérique lancé dans une véritable enquête.

Lire aussi Lunettes connectées et vie privée : comment savoir si une personne vous filme et quels sont vos droits

De plus, cette autonomie explique l’enthousiasme des entreprises. Par exemple, réserver un voyage, analyser des contrats ou surveiller des stocks devient possible sans supervision constante. Pourtant, derrière cette apparente magie se cache une succession de calculs. En effet, chaque décision sollicite le modèle de langage, parfois des dizaines de fois avant la fin d’une tâche.

Une consommation énergétique amplifiée par les temps d’attente et les calculs répétés

Des chercheurs du KAIST ont étudié ces agents comme une nouvelle charge informatique, en les considérant non plus comme de simples logiciels mais comme un type inédit de workload pour les centres de données. Leur constat est frappant : avec un modèle de 70 milliards de paramètres, un agent consomme en moyenne 348,41 wattheures par requête, contre environ 2,55 pour une réponse simple.

L’étude a été présentée à HPCA et prépubliée sur arXiv, ce qui en fait l’une des premières analyses quantitatives du phénomène. Cependant, le problème ne vient pas seulement du nombre d’opérations. En effet, les agents alternent calculs, appels d’outils et périodes d’attente. Par conséquent, leur temps de réponse peut être multiplié par 153,7. Pendant ce temps, les processeurs graphiques restent inutilisés près de la moitié du temps.

Lire aussi Un drone kamikaze tiré depuis un navire britannique : la marine change d’ère

Pourtant, les infrastructures continuent de consommer. Ainsi, certaines tâches agentiques demandent jusqu’à 136,5 fois plus d’énergie qu’une question classique. Toutefois, ce chiffre ne couvre pas tous les usages de l’IA. Il décrit un scénario précis et très gourmand. En réalité, il montre surtout que deux requêtes similaires peuvent cacher des efforts informatiques très différents.

Une généralisation massive des agents IA ferait exploser les besoins énergétiques

Pour mesurer le risque, les scientifiques ont imaginé 13,7 milliards de requêtes agentiques. En effet, ce volume correspond au trafic quotidien attribué aux recherches Google dans leur scénario. Dans ce cas, la puissance nécessaire atteindrait environ 198,9 gigawatts. Certes, cette projection reste extrême, mais elle donne une idée du défi énergétique.

De plus, la comparaison révèle un paradoxe. D’un côté, les agents font gagner du temps humain, mais de l’autre, ils mobilisent plus de serveurs et plus longtemps. À petite échelle, quelques centaines de wattheures semblent modestes. Cependant, à grande échelle, ces dépenses deviennent un enjeu de réseau électrique, de refroidissement et d’infrastructures.

Lire aussi Des scientifiques connectent des neurones humains à un robot pour lui apprendre à éviter les obstacles sans code

Optimiser les infrastructures et les modèles devient crucial pour une IA durable

En France, l’Agence de l’environnement et de la maîtrise de l’énergie (ADEME) recense 352 centres de données. Ainsi, ils consomment environ 10 térawattheures par an, soit 2,2 % des 449 TWh d’électricité utilisés en 2025. Par ailleurs, son scénario tendanciel prévoit une hausse importante. En conséquence, la consommation liée aux usages français pourrait être multipliée par 3,7 d’ici 2035.

Cependant, les solutions ne passent pas seulement par de nouvelles centrales. En effet, les chercheurs proposent des modèles plus petits et une meilleure répartition des tâches. De plus, ils recommandent des infrastructures capables d’éviter que des GPU restent allumés sans travailler. Ainsi, une IA plus sélective pourrait réserver les agents complexes aux missions utiles.

Enfin, cette nuance devient essentielle. D’une part, un agent qui optimise un réseau électrique ou accélère une découverte médicale peut compenser son impact. D’autre part, un assistant qui mobilise des serveurs pour choisir une paire de chaussures pose question. Dès lors, il faudra peut-être apprendre à mesurer l’utilité de chaque calcul.

Lire aussi SpaceX rachète Cursor pour 60 milliards de dollars : Elon Musk défie Anthropic sur le marché du codage IA