L'IA est-elle en plein paradoxe de Jevons ?

Qu'est-ce que le paradoxe de Jevons ?

Formulé par l'économiste William Stanley Jevons en 1865, ce paradoxe observe que l'amélioration de l'efficacité dans l'utilisation d'une ressource entraîne paradoxalement une augmentation de sa consommation totale. Jevons l'avait constaté avec le charbon : les machines à vapeur plus performantes n'avaient pas réduit la consommation, mais l'avaient au fait exploser en rendant l'énergie vapeur accessible à de nouvelles industries.

Le mécanisme est simple : l'efficacité réduit le coût d'usage, ce qui stimule la demande et crée de nouveaux usages. Si cette hausse de la demande compense les économies unitaires, la consommation totale grimpe. C'est exactement ce qui se passe aujourd'hui avec l'intelligence artificielle.

Comment ce mécanisme s'applique-t-il à l'IA ?

L'équation est similaire. L'industrie de l'IA réalise des progrès constants en matière d'efficacité énergétique : architectures optimisées, puces spécialisées, modèles plus compacts. Ces gains devraient théoriquement réduire l'empreinte énergétique.

Pourtant, c'est l'inverse qui se produit. La consommation globale d'énergie pour l'IA suit une trajectoire exponentielle. Les raisons sont structurelles :

• Démocratisation : L'efficacité a réduit les coûts, rendant l'IA accessible à un public immense. Chaque recherche, chaque génération d'image, chaque requête à un assistant devient banale.
  
• Course à la puissance : Les gains d'efficacité sont immédiatement réinvestis pour entraîner des modèles toujours plus grands et plus gourmands, repoussant les limites de la performance.
  
• Intégration ubiquitaire : L'IA n'est plus un produit isolé, mais un composant omniprésent dans les logiciels, les objets connectés et les infrastructures. Sa consommation devient diffuse et massive.
  

Quelles sont les preuves de ce phénomène ?

Les études et rapports récents confirment la tendance. Une étude publiée dans Science en 2025 établit un lien direct : l'adoption de l'IA réduit bien l'intensité carbone par unité de calcul, mais elle augmente massivement la consommation totale d'énergie (TCE).

Un article de Nature Cities la même année parle d'un « paradoxe de Jevons numérique » dans les centres de données urbains. Les gains d'efficacité algorithmique y élargissent, plutôt qu'ils ne réduisent, l'empreinte énergétique de l'IA. Des analyses dans Forbes ou sur TechPolicy.Press vont dans le même sens : l'efficacité rend l'IA plus accessible, ce qui en fait une « commodity » dont nous ne pouvons plus nous passer, dopant la demande énergétique.

L'exemple de l'éclairage est éclairant : les ampoules LED sont extrêmement efficaces. Pourtant, la consommation mondiale d'éclairage a augmenté, car nous installons plus de lumières et les utilisons davantage. L'IA suit ce chemin.

Quels sont les risques et implications ?

Ce paradoxe a des conséquences concrètes et préoccupantes.

Sur le plan environnemental, il met en péril les objectifs de neutralité carbone. La demande énergétique des data centers d'IA est telle qu'elle met à rude épreuve les réseaux électriques, retardant parfois la sortie des énergies fossiles pour répondre aux pics de consommation. La consommation d'eau pour le refroidissement de ces infrastructures devient aussi un problème critique.

Sur le plan économique et géopolitique, cela renforce la concentration du secteur. Seules les entreprises capables d'investir dans des infrastructures massives peuvent suivre la courbe de demande, renforçant les positions dominantes. Pour les États, cela pose une question de souveraineté et de dépendance énergétique.

Comment peut-on atténuer cet effet ?

Les experts s'accordent à dire que l'efficacité technique seule est insuffisante. Il faut combiner plusieurs leviers.

La sobriété numérique est la première piste : questionner le besoin réel d'utiliser un modèle massif pour chaque tâche. Une recherche simple ne nécessite pas toujours un grand modèle de langage (LLM).

La transparence est cruciale. Obliger les entreprises à publier la consommation énergétique et l'empreinte carbone de leurs modèles permettrait aux utilisateurs et régulateurs de faire des choix éclairés.

Enfin, les politiques tarifaires et réglementaires doivent intégrer le coût environnemental réel. Fixer des normes, instaurer des taxes carbone ou plafonner la consommation pour certains usages sont des pistes régulièrement évoquées pour découpler la croissance de l'IA de celle de sa consommation énergétique.