Technique d'optimisation consistant à stocker temporairement les résultats de requêtes IA fréquentes ou similaires afin d'éviter des calculs redondants. Le caching réduit la latence, les coûts d'inférence et la consommation énergétique. C'est un levier d'optimisation Green IA particulièrement efficace pour les cas d'usage répétitifs comme l'analyse de rapports ESG standardisés.
Le cache est le levier de sobriété au meilleur ROI carbone (30 à 70 % d'inférences évitées sur des charges de calcul répétitifs), mais il déplace le risque plus qu'il ne le supprime. Trois points de vigilance à intégrer dans la politique de gouvernance IA : (1) confidentialité — un cache partagé entre utilisateurs peut faire fuiter des données personnelles ou stratégiques (RGPD, secret des affaires), imposant un cloisonnement par tenant et une TTL courte ; (2) fraîcheur — servir une réponse cachée sur des données réglementaires évolutives (ESRS, jurisprudence, prix carbone) crée un risque de conformité si l'invalidation n'est pas événementielle ; (3) auditabilité — le hit de cache doit être journalisé au même titre qu'une inférence, faute de quoi le registre de traitements AI Act est incomplet.
Un outil d'analyse ESG met en cache les résultats d'extraction de Datapoints ESRS pour les secteurs les plus fréquents. Sur 10 000 requêtes mensuelles, 40 % sont servies depuis le cache, réduisant la consommation GPU de 35 % et le temps de réponse moyen de 3 secondes à 200 ms.
Termes connexes (Technologie)
IA fantôme (Shadow AI)
Utilisation non autorisée d'outils d'intelligence artificielle par les employés, contournant les politiques de sécurité, de conformité et de gouvernance de l'entreprise. Ce phénomène représente un risque ESG majeur : fuite de données sensibles, non-conformité RGPD/IA Act, absence de traçabilité et d'audit.
Ingénierie de prompt ESG
Discipline d'optimisation des instructions textuelles (prompts) données aux modèles d'IA pour obtenir des réponses pertinentes, précises et conformes aux exigences du reporting de durabilité. Inclut la structuration des requêtes, l'injection de contexte réglementaire et la réduction des hallucinations.
Hallucination IA
Génération par un modèle d'IA de contenus faux, inventés ou non étayés par les données sources, présentés avec une apparence de certitude. Risque critique pour le reporting ESG où l'exactitude et la traçabilité des informations sont essentielles pour l'audit externe.
Token (unité de traitement IA)
Unité élémentaire de texte traitée par les modèles de langage (environ 4 caractères ou 0,75 mot en français). Le nombre de tokens détermine le coût de calcul, la consommation énergétique et l'empreinte carbone d'une requête IA. Métrique clé pour l'optimisation Green AI.
GPU (Processeur graphique)
Processeur spécialisé dans le calcul parallèle, essentiel pour l'entraînement et l'inférence des modèles d'IA. Les GPU représentent la principale source de consommation énergétique et d'émissions carbone des infrastructures IA, avec des enjeux d'approvisionnement en terres rares et de recyclage.
Récupération de chaleur fatale (data center)
Valorisation de la chaleur résiduelle générée par les serveurs et GPU des centres de données pour alimenter des réseaux de chauffage urbain, des serres agricoles ou des processus industriels. Levier clé d'économie circulaire pour réduire l'impact environnemental net des infrastructures IA.