L'IA générative cache-t-elle une bulle qui va exploser ?

Quand on parle d’IA générative, les médias brandissent les promesses futuristes : révolution industrielle, automatisation totale, monde meilleur. Mais derrière les démos ChatGPT et les milliards d’investissement, j’ai commencé à gratter un peu. Et ce que j’ai trouvé, c’est un problème de physique bien réel.

L’eau qui brûle un data center

Une requête ChatGPT consomme environ 2,9 wattheures d’énergie. Ce chiffre paraît bénin isolé, mais l’OpenAI’s GPT-4 ingère 175 milliards de paramètres : pour les entraîner une seule fois, il a fallu suffisamment d’électricité pour alimenter un petit pays pendant des jours. Les estimations varient, mais un seul cycle d’entraînement peut atteindre 1 300 mégawattheures.

Et puis il y a l’eau. Les data centers refroidissent leurs serveurs par circulation massive d’eau. Un center classique consomme des millions de litres par an. Google a admis que sa consommation d’eau a augmenté de 17% en deux ans, largement imputée aux IA. En Arizona et en Californie, des régions en crise hydrique accueillent des fermes de calcul qui sucent l’aquifère comme une paille géante.

Le mirage du retour sur investissement

Les entreprises tech enfournent des dizaines de milliards dans les IA, convaincues qu’elles vont les rentabiliser. Sauf que personne n’a encore trouvé le modèle économique qui tient la route. OpenAI perd de l’argent sur chaque requête ChatGPT gratuite ou payante par abonnement. Les grands modèles coûtent trop cher à entraîner et à servir pour qu’un service par requête soit rentable sans une densité d’utilisateurs monumentale.

Et les cas d’usage transformatifs promis ? Ils tardent. Les startups IA font la pluie et le beau temps sur les démos, mais les entreprises qui intègrent vraiment une IA générative dans leur processus découvrent que c’est un ingénieur à plein temps de maintenance et d’ajustement. La magie n’existe pas quand il s’agit de produire en vraie grandeur.

L’externalité cachée : qui paie ?

Voilà le hic : l’IA générative doit son apparence d’accessibilité au fait que ses coûts réels sont largement externalisés. Ce sont les collectivités qui gèrent les pénuries d’eau. Ce sont les petits producteurs d’électricité renouvelable qui voient leur grille électrique prise d’assaut. Ce sont les régions en développement qui accueillent des data centers pour des miettes de taxe locale.

Le cycle du hype tech suit toujours le même patron : promesse grandiose, investissement massif, croissance exponentielle des attentes, moment de vérité quand les chiffres ne matchent pas, puis effondrement quand les investisseurs réalisent que l’empéreur est nu. Nous y sommes. L’IA générative n’est pas une révolution ; c’est une technologie très coûteuse qui résout un problème qu’on ne savait pas avoir et qui en crée d’autres bien réels.

---

Lectures complémentaires :

• Patterson, D. & Hennessy, J. (2021). “Energy and Policy Considerations for Deep Learning in NLP” – ArXiv:2004.14294
• Google Environmental Report 2023-2024 (data centers, water consumption)
• Strubell, E. et al. (2019). “Energy and Policy Considerations for Deep Learning in NLP” – ACL 2019