L’essor fulgurant de l’intelligence artificielle générative soulève une question cruciale sur son coût environnemental quotidien. Au-delà de l’entraînement initial des grands modèles de langage (LLM), l’impact lié à leur utilisation quotidienne reste majeur. L’optimisation de nos requêtes via le Green Prompting s’impose désormais comme une solution clé pour réduire l’empreinte carbone de chaque interaction numérique.
La sémantique au cœur de la consommation énergétique de l’IA
Une étude récente intitulée Green Prompting, menée par des chercheurs de l’Université de Lancaster, bouscule nos certitudes. Contrairement aux idées reçues, ce n’est pas la longueur de votre consigne qui pèse le plus sur le serveur. C’est avant tout la charge sémantique et la complexité de la tâche demandée qui déterminent l’énergie requise.
Certains verbes d’action poussent les réseaux de neurones à des calculs beaucoup plus lourds. Voici les principales nuances observées :
- Verbes gourmands : Des requêtes utilisant « analyser », « expliquer » ou « justifier » forcent l’IA à explorer des chemins logiques complexes.
- Verbes sobres : Des formulations comme « résumer », « lister » ou « mesurer » génèrent des réponses plus directes et économes.
Les bonnes pratiques du Green Prompting pour les rédacteurs
Le Green Prompting regroupe les méthodes de rédaction permettant d’obtenir un résultat pertinent avec un minimum d’impact énergétique. Appliquer ces principes permet de limiter le nombre d’itérations infructueuses avec la machine.
Structurer et contraindre la réponse
Pour appliquer efficacement cette éco-conception des requêtes, vous pouvez suivre quatre règles simples :
- Définir un format strict : Demandez des listes à puces ou un nombre maximal de mots dès le départ.
- Aller droit au but : Évitez les formules de politesse ou les phrases d’introduction inutiles dans le prompt.
- Cibler les verbes : Remplacez « analyse ce texte » par « résume les 3 points clés de ce texte ».
L’inférence : un coût environnemental invisible à grande échelle
Chaque requête envoyée à un chatbot nécessite une puissance de calcul qui consomme de l’électricité et de l’eau pour refroidir les serveurs. Multiplié par des milliards d’utilisateurs, le coût de cette inférence dépasse parfois celui de l’entraînement initial du modèle.
Selon les données de l’Université de Californie à Riverside, une seule discussion de 20 à 50 questions avec ChatGPT équivaut à verser 500 millilitres d’eau pure dans les systèmes de refroidissement. À l’échelle mondiale, un milliard de requêtes mensuelles se traduit par 500 millions de litres d’eau évaporés et 420 tonnes de CO₂ rejetées dans l’atmosphère.
Références
- Adamska, M., Smirnova, D., Nasiri, H., Yu, Z., & Garraghan, P. (2025). Green Prompting: Characterizing Prompt-driven Energy Costs of LLM Inference. arXiv. https://arxiv.org/abs/2503.10666
- Luccioni, S., Jernite, Y., & Strubell, E. (2024). Power Hungry Processing: Watts Driving the Cost of AI Deployment? ACM FAccT. https://doi.org/10.1145/3630106.3658542