Évaluer la durabilité de l’intelligence artificielle générative : défis et enjeux

Les grands modèles de langage, souvent abrégés LLMs, pour l’anglais large language model, sont des modèles statistiques entrainés sur de larges corpus de données (Dahlgren Lindström et al. 2025) et capables de prédire le prochain élément dans une séquence de mots (Office québécois de la langue française 2023). Si les modèles de langage apparaissent dès les années 1980, les LLMs se développent surtout à partir de 2017, par l’adoption des Transformers models rendant le traitement des données plus efficient (Dias et Elias 2025). Les LLMs sont l’une des bases pour l’intelligence artificielle générative (IA Gen), qui connaît un large essor depuis le lancement en 2022 de Chat-GPT par la société OpenAI.

Défis et enjeux autour des LLMs

Pour entrainer les LLMs, de grands volumes de données sont nécessaires. Or, les données d’entrainement ne sont pas toujours obtenues en respectant le droit d’auteur (OCDE 2025 ; Parlement européen 2026). De même, des données personnelles peuvent être utilisées à des fins d’entrainement (Contrôleur européen de la protection des données 2025) ; mais les LLMs peuvent également être utilisés pour traiter des données personnelles et/ou sensibles.

Du fait que ces modèles reposent sur les statistiques et selon les données d’entrainement utilisées, les LLMs sont sujets à des biais et à des hallucinations plus ou moins importants (Bender et al. 2021 ; Dahlgren Lindström et al. 2025 ; Dias et Elias 2025 ; Contrôleur européen de la protection des données 2025).

Enfin, les modèles ont besoin d’énormément de ressources pour leur création, leur entrainement et leur utilisation provoquant d’importants coûts aussi bien économiques qu’environnementaux (Bender et al. 2021). Ces coûts environnementaux correspondent, entre autres, aux moyens nécessaires pour extraire et raffiner les matériaux primaires, à l’alimentation en eau et en électricité pour alimenter et refroidir les centres de données. Dans le cadre d’une étude menée par le collectif Green IT, Bordage (2025) relevait que la durée de vie des serveurs IA étaient trois à cinq fois plus courte que les serveurs traditionnels, mais que leur consommation électrique était quatre fois plus forte. Il notait que la consommation électrique des Graphical Processing Unit (GPU) était la principale source des impacts par rapport aux autres composants, entre 60 % et 80 % selon la catégorie d’impact. Enfin, il avait constaté que l’impact environnementale de l’IA se répartissait principalement en quatre grandes catégories : Potentiel de réchauffement global (31 %) ; Epuisement des ressources abiotiques (fossiles, métaux, minéraux) (21,4 %) ; Emissions de particules fines (18,5 %) ; et Eutrophisation (18,3 %).

Défis pour évaluer les impacts des LLMs sur la durabilité

Les personnes souhaitant évaluer les impacts des LLMs sur la durabilité se retrouvent face à différents défis. Il faut tout d’abord définir ce que l’on entend par durabilité. La durabilité est souvent prise comme un synonyme d’écologie, mais elle est bien plus que cela. Elle repose généralement sur trois piliers (Halla et Binder 2020) : économique, environnemental et social. Une étude qui s’intéresserait à la durabilité des LLMs devrait idéalement inclure ces trois aspects.

Lorsqu’on analyse le cycle de vie (ACV) d’un produit ou d’un service, il est nécessaire de bien définir le périmètre de l’étude. Est-ce que l’on prend en compte l’utilisation du LLM ou également son entrainement ? Quels sont les éléments que l’on laisse volontairement de côté ? Par exemple, les périphériques comme la souris ou le clavier sont souvent mis de côté dans des études sur l’impact environnemental, car les impacts environnementaux de ces équipements sont jugés comme mineurs par rapport au reste du matériel informatique.

L’ACV repose sur un inventaire des flux entrants et sortants du système. Les données nécessaires à un tel inventaire, comme les caractéristiques techniques des équipements, les informations sur l’entrainement des modèles, etc., sont souvent peu accessibles, cela d’autant plus que c’est un marché en pleine expansion avec énormément de concurrences.

Enfin, comme l’apparition de ces technologies est récente, il est encore difficile d’estimer les conséquences à long terme de leur utilisation, notamment pour les impacts sociaux et économiques.

Un projet pour l’impact des LLMs sur la durabilité

Une équipe du laboratoire ArchiLab travaille sur ces différents défis dans le cadre du projet  Sustainability and LLMs Implementation in the Public Sector: Concepts, measurements and piloting tool, co-financé par Sorbonne Abu Dhabi for Innovation & Research - Internal Research Excellence Grant (SAFIR-IREG). Le projet planifié sur deux ans (2025-2027) vise notamment à :  

• ​ identifier et comparer les méthodes, métriques et outils d’analyse du cycle de vie ;  
• ​ élaborer un modèle conceptuel pour l’évaluation de la durabilité à travers trois piliers (environnemental, social et économique) ;  
• ​ tester ce modèle sur différents cas ;  
• ​ et, définir les fonctionnalités d’un outil de pilotage aidant à la prise de décision quant aux choix à faire sur la pertinence des outils IA au sein des entités publiques.  

​En conclusion, malgré leurs capacités impressionnantes en matière de traitement du langage naturel, les solutions fondées sur les LLMs soulèvent plusieurs défis majeurs en termes de durabilité. En effet, l'entraînement des LLMs nécessite de vastes quantités de données, ce qui peut porter atteinte aux droits d'auteur et à la protection des données personnelles. À cela s’ajoutent les biais et les hallucinations, ainsi que les impacts environnementaux significatifs, notamment en termes de consommation énergétique et de potentiel de réchauffement global. Pour évaluer ces impacts sur la durabilité, il est crucial de définir une approche globale qui inclut les aspects économiques, environnementaux et sociaux, et qui repose sur des études approfondies du cycle de vie des LLMs.  

​Ce projet avance vers la mi-chemin de sa vie. Les résultats seront disponibles à partir de la fin 2027. Des résultats provisoires sont déjà avancés tel qu'un travail de master mené à la Filière master IS au sein de la Haute école de gestion de Genève qui s’intéresse à la durabilité et les projets impliquant les LLMs implémentés dans les entités publiques suisses avec le cas des agents conversationnels.

Références bibliographiques

Bender Emily M., Gebru Timnit, McMillan-Major Angelina, Shmitchell Shmargaret, “On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? ???? », In : Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, Virtual Event Canada : ACM. 3 mars 2021, pp. 610‑623.

Bordage Frédéric, « Quels sont les impacts environnementaux et sanitaires de l’IA ? » [en ligne], 21 octobre 2025, <https://www.greenit.fr/2025/10/21/quels-sont-les-impacts-environnementaux-et-sanitaires-de-lia/> (consulté le 30.07.2026).

Contrôleur européen de la protection des données, « Guidance for Risk Management of Artificial Intelligence systems » [en ligne]. 2025, <https://www.edps.europa.eu/system/files/2025-11/2025-11-11_ai_risks_management_guidance_en.pdf> (consulté le 30.07.2026).

Dahlgren Lindström Adam, et al., « Helpful, harmless, honest? Sociotechnical limits of AI alignment and safety through Reinforcement Learning from Human Feedback », Ethics and Information Technology, juin 2025. Vol. 27, no 2, p. 28.

Dias Catarinas et Elias Constança, « Transformers and LLMs: The Architecture Behind the AI Revolution » [en ligne], 22 octobre 2025, <https://medium.com/tutai-ai/transformers-and-llms-the-architecture-behind-the-ai-revolution-93ba27b4646e> (consulté le 30.07.2026).

Halla Pekka et Binder Claudia R., « Sustainability Assessment: Introduction and Framework », In : Binder Claudia R., Wyss Romano et Massaro Emanuele (éd.), Sustainability Assessment of Urban Systems, Cambridge : Cambridge University Press, 2020 pp. 7‑29.

Office québécois de la langue française, « modèle de langage » [en ligne], 2023, <https://vitrinelinguistique.oqlf.gouv.qc.ca/fiche-gdt/fiche/8390901/modele-de-langage> (consulté le 30.07.2026).

Parlement européen, 2026. « Les députés souhaitent protéger les œuvres soumises au droit d’auteur utilisées par l’IA générative » [en ligne], 28 janvier 2026, <https://www.europarl.europa.eu/news/fr/press-room/20260126IPR32636/proteger-les-oeuvres-soumises-au-droit-d-auteur-utilisees-par-l-ia-generative> (consulté le 30.07.2026).